[发明专利]知识图谱预测的方法和装置

说明书

本发明实施例提供了一种知识图谱预测的方法和装置，包括：获取第一实体和第二实体；根据所述第一实体和所述第二实体，建立第一三角子图；根据所述第一三角子图和嵌入式模型，确定所述第一实体和所述第二实体之间的关系。本发明实施例获取第一实体和第二实体，并建立包含该第一实体和第二实体的三角子图，根据该三角子图和嵌入式模型，确定该第一实体和第二实体之间的关系。本发明实施例能够充分利用知识图谱中三角子图在语义层面上的关系类型，获取对象实体相互之间的关联性，从而避免了仅考虑实体对的直接语义相关性导致的数据稀疏的问题。

技术领域

本发明涉及计算机领域，更具体的，涉及计算机领域中知识图谱预测的方法和装置。

背景技术

知识图谱旨在描述真实世界中存在的各种实体或概念及其关系，一般用三元组表示，三元组包括左实体、右实体和关系。知识图谱亦可被看作是一张巨大的图，节点表示实体或概念，边则由属性或关系构成。知识图谱除了可以为用户提供查询词相关的链接之外，还赋予了查询词更丰富的语义信息，提供了查询词有关的更准确更直接的答案。

传统的搜索引擎往往只能为用户提供与查询词相关的网页供用户自行挑选。通过利用知识图谱的结构化的实体知识，搜索引擎可以为用户提供更加准确并具有条理的信息，甚至可以通过探索知识图谱中更深层次的信息，让用户发现一些意料之外的知识。知识图谱不仅能够从Freebase和维基百科等知识库中获取专业信息，同时还能够通过分析大规模网页内容抽取知识。目前的大规模知识图谱已经能够构建5亿个实体，建立35亿个属性和相互关系，并在不断高速扩充中。可见基于“知识图谱”的搜索引擎将是未来搜索引擎的发展方向。在未来的一段时间内，知识图谱将是大数据智能的前沿研究问题。

在计算机中如何对知识图谱进行表示与存储，是知识图谱构建与应用的重要课题。最近，伴随着深度学习和表示学习的革命性发展，研究者也开始探索面向知识图谱的表示学习方案。其基本思想是，将知识图谱中的实体和关系的语义信息用低维向量表示。这种表示方法有利于计算实体、关系间的语义相关度，可以极大地改进开放信息抽取中实体融合和关系融合的性能。同时，这种表示方法可以用于关系抽取以及关系推理，从而缓解现有知识图谱的非完备性的问题。因此，知识图谱的表示学习研究是目前知识图谱领域的一个热门研究方向。

面向多关系数据建模的传递性嵌入式(Translating Embeddings for ModelingMulti-relational Data，TransE)模型是面向知识图谱补全问题的基于语义传递性的嵌入式模型。其提出的目的是为了将知识图谱中多关系型的实体和关系用低维的向量空间表示。但是，TransE模型在学习实体和关系向量时面临数据稀疏的问题。

发明内容

本发明实施例提供了知识图谱预测的方法和装置，能够缓解知识图谱预测时面临的数据稀疏的问题。

第一方面，本发明实施例提供了一种知识图谱预测的方法，包括：获取第一实体和第二实体，所述第一实体为所述知识图谱中的实体对象之一，所述第二实体为所述知识图谱中的实体对象之一；

根据所述第一实体和所述第二实体，建立第一三角子图，所述第一三角子图包括第一三元组、第二三元组和第三三元组，其中，所述第一三元组包括所述第一实体、所述第二实体和候选关系，所述第二三元组包括所述第一实体、第一共同邻居实体和所述第一实体与所述第一共同邻居实体的第一关系，所述第三三元组包括所述第二实体、所述第一共同邻居实体和所述第二实体与所述第一共同邻居实体的第二关系，所述第一共同邻居实体为所述知识图谱中的实体对象之一，所述第一关系为所述知识图谱中的关系之一，所述第二关系为所述知识图谱中的关系之一，所述候选关系为所述知识图谱中的关系之一；

根据所述第一三角子图和嵌入式模型，确定所述第一实体和所述第二实体之间的关系，所述嵌入式模型包括所述知识图谱中的已知的所有实体对象和所述所有实体对象之间已知的关系。