[发明专利]一种基于结构特征高阶逻辑知识图谱表示学习方法

说明书

本发明属于人工智能研究领域，提出一种基于结构特征高阶逻辑知识图谱表示学习方法。首先，对数据进行高阶逻辑关系特征表示，提取图中的节点邻域结构模体度矩阵，将每个关系中实体模体度矩阵作为高阶逻辑关系特征；其次，图卷积网络进行实体属性特征和高阶逻辑关系特征表示；最后，使用哈达玛积、求和与串联三种不同的聚合方法进行特征聚合。本发明融合了两种知识图谱表示学习特征，从不同角度学习样本数据后用于实体分类、链路预测等知识图谱下游任务，获得一种精度较高的高阶逻辑知识表示学习方法，同时可以克服目前的知识表示学习方法，对逆关系和复合关系等高阶逻辑关系表达能力不足，表示损耗大，计算成本高，可解释性差等问题。

技术领域

本发明涉及人工智能研究领域，尤其涉及一种基于结构特征高阶逻辑知识图谱表示学习方法。

背景技术

知识图谱是知识工程的分支，在人工智能领域有重要的作用。我们日常使用的搜索引擎背后的工作逻辑、电商平台的智能推荐等都运用了知识图谱。知识图在推荐系统、问答系统、语义分析、对话系统等多种应用场景中已被证明是一种有效的应用基础。实体和关系是存储和表示知识的两个基本要素。主体实体、关系实体和客体实体是知识的基本表示形式，它们表示为三元组。知识图表示学习可以将三元组转化为低维空间的向量，由于大多数知识图都存在不完全性，预测实体之间缺失的链接一直是一个基本问题。这个问题被称为链路预测或知识图补全。针对这一问题，按照补全思想的不同，目前知识图谱补全任务主要划分为两种，即距离模型、语义匹配模型。

基于距离的模型。基于距离的模型以实体之间距离的三倍来衡量事实的可信度，将关系解释为平移向量，使实体可以连接。通过将实体投射到不同的空间或超平面，提高了处理复杂关系的能力。然而，由于投影参数的增加速度太快，这些模型不能对逆关系和复合关系进行编码。最新的旋转算法利用基于旋转的平移方法在复杂空间中进行编码，可以编码对称/反对称关系、逆关系和复合关系模式，但面对复杂关系仍然具有挑战。并且，由于基于距离的模型对头部和尾部实体的图上下文的计算是很耗时的，其面对大规模知识图谱时，计算效率很低。

语义匹配模型。其核心思想是将实体中隐藏语义同表示空间中已有的关系进行匹配，从而判断事实是否成立。然而，这些模型在编码组合关系上都存在缺陷。基于双线性模型要实现完全表达，所需嵌入维数过大。基于神经网络的方法，如卷积神经网络、图卷积网络显示出有前景的性能。但是，由于神经网络模型属于黑盒模型，缺乏可解释性，难以进行分析。此外，现实世界的知识图充斥着高阶逻辑关系，不能用简单的三元组直接表示。目前的研究正试图用多个简单的成对关系来简化这种高阶逻辑关系，但表示损耗大，计算成本高。

复杂网络研究中，模体驱动的网络表示学习研究表明：网络模体是现实世界网络的基本构件，在构建多元关系方面也被证明是有效的。在网络表示学习中，可以在特征矩阵中使用基元来更好地学习网络表示，用模体信息来表示高阶结构特征，且引入模体可提高构建社会网络多元关系时的效率。但目前没有知识图谱表示学习方法融合网络模体进行知识图谱的表示学习，且缺少对知识图谱的长尾问题和逆关系问题的解决方案。

发明内容

基于现有知识图谱表示学习方法存在对知识图谱中常见的逆关系和复合关系等高阶逻辑关系表达能力不足、表示损耗大、计算成本高和可解释性差等问题。本发明提出一种基于结构特征高阶逻辑知识图谱表示学习方法，用于知识图谱补全、实体节点分类等人工智能领域任务。该方法，同时考虑知识图谱所蕴含的属性特征和高阶逻辑关系特征，并进行特征聚合。融合了两种知识图谱表示学习特征，实现高阶逻辑关系表达，提升可解释性。从不同角度学习样本数据后用于实体分类、链路预测等知识图谱下游任务，较现有知识图谱表示学习方法，完成下游任务的精准度更高，计算成本更小。