[发明专利]多数域空间融合的知识图谱嵌入方法、系统、设备及介质

说明书

本发明提供了多数域空间融合的知识图谱嵌入方法、系统、设备及介质，涉及知识图谱嵌入领域，所述方法包括步骤：(1)构造训练集；(2)对训练集进行初始化处理；(3)对训练集进行采样处理，构造训练子集；(4)将训练子集导入知识图谱嵌入模型，获取不同数域空间下的三元组分数和注意力分数；(5)利用不同数域空间下的三元组分数和注意力分数对知识图谱嵌入模型进行迭代训练至收敛；(6)将知识图谱的三元组输入迭代训练后的知识图谱嵌入模型进行补全。本发明通过注意力机制结合在实数域、复数域、四元数域的计算，从不同空间捕获实体的特征信息，深度刻画实体和关系的空间表示，从而在知识图谱补全任务中提升三元组匹配的精确度。

技术领域

本发明涉及知识图谱嵌入领域，具体而言，涉及了多数域空间融合的知识图谱嵌入方法、系统、设备及介质。

背景技术

知识图谱嵌入是解决知识图谱补全问题的重要方法之一，该技术通过学习知识图谱中节点和边的特征，将其表示为低维稠密向量。知识图谱嵌入的研究主要集中在对三元组的实体和关系的建模，当前的研究工作通常用一种相似性理论刻画实体和关系间的联系。

目前，知识图谱嵌入主要采用翻译模型或旋转模型建模三元组中头实体和尾实体的关系。翻译模型认为三元组中头实体和尾实体之间存在平移(翻译)关系，即头实体h经过关系r平移后会接近尾实体t。旋转模型则认为三元组中头实体h和尾实体t之间存在旋转关系，头实体h经过关系r表示的旋转矩阵旋转后接近尾实体t。翻译模型能够对不对称关系、组合关系进行建模，但不能对对称关系、一对多、多对一等复杂关系进行建模。旋转模型解决了这一问题，但依然不能解决对多重复杂关系的建模。

发明内容

本发明实施例提供了多数域空间融合的知识图谱嵌入方法、系统、设备及介质，以旋转模型为基点，结合不同数域空间下的旋转变换，来建模现有知识图谱中的复杂关系。

在第一方面，本发明实施例中提供一种多数域空间融合的知识图谱嵌入方法，所述方法包括以下步骤：

(1)基于知识图谱的三元组和注意力参数构造训练集，并且将训练集导入知识图谱嵌入模型；

(2)对不同数域空间下的三元组和注意力参数进行初始化处理；

(3)对训练集进行采样处理，构造训练子集Δ_{new_batch}；

(4)将训练子集Δ_{new_batch}导入知识图谱嵌入模型，基于旋转变换获取不同数域空间下的注意力分数和三元组分数；

(5)利用不同数域空间下的注意力分数和三元组分数对知识图谱嵌入模型进行迭代训练至收敛；

(6)将知识图谱的三元组输入迭代训练后的知识图谱嵌入模型进行补全。

于上述实施例中，通过结合三元组和注意力机制在实数域、复数域、四元数域的计算，从不同空间捕获实体(头实体或者尾实体)的特征信息，深度刻画实体和关系的空间表示，从而在知识图谱补全任务中提升三元组匹配的精确度。

作为本申请一些可选实施方式，所述三元组包括头实体h、关系r以及尾实体t。

作为本申请一些可选实施方式，对不同数域空间下的三元组和注意力参数进行初始化处理的步骤如下：

(2.1)将训练集中三元组的头实体h和尾实体t随机初始化为一维向量，得到实体嵌入向量e，所述实体嵌入向量e包括头实体嵌入向量e_h和尾实体嵌入向量e_t；将训练集中三元组的关系r随机初始化为一维向量，得到关系嵌入向量e_r；并且将注意力参数初始化为一维向量，得到注意力参数向量α_r；

(2.2)在实数空间中，将实体嵌入向量e和关系嵌入向量e_r作为知识图谱嵌入模型的输入；