[发明专利]知识图谱向量表示方法、知识图谱关系推理方法及系统

权利要求书

1.一种知识图谱的向量表示方法，包括：

步骤1：将知识图谱中的实体对、关系和所述实体对之间的多步关系路径表示为初始低维向量；

步骤2：利用间隔可变的损失函数训练所述实体对、关系和所述实体对之间的多步关系路径的低维向量表示的模型。

2.根据权利要求1所述的方法，其中，所述损失函数包括实体对和多步关系路径的损失。

3.根据权利要求2所述的方法，其中，所述实体对和多步关系路径的损失定义为：

L_p,r＝[||p-r||+M_path(p)-||p-r′||]₊

其中，M_path(p)为多步关系路径正反例之间的间隔，定义为M_path(p)＝min_r,r′|||p-r′||-||p-r|||，p是多步关系路径的向量表示；r′为负例关系r′∈N_h,t中的低维向量表示向量，N_h,t为知识图谱中负例三元组(h,r′,t)的集合；||·||表示L₁或L₂范式。

4.根据权利要求2所述的方法，其中，所述损失函数还包括实体对和关系的损失。

5.根据权利要求4所述的方法，其中，所述实体对和关系的损失定义为：

$E_{h,r,t}=\frac{1}{Z}\underset{(h^{\′},r^{\′},t^{\′})\∈{\mathrm{\Δ}}^{\′}}{\Σ}{\[\left|\right|h+r-t\left|\right|+\mathrm{\γ}-\left|\right|h^{\′}+r^{\′}-t^{\′}\left|\right|\]}_{+}$

其中，Δ为三元组(h，r，t)构成的训练集，h为头实体，t为尾实体，r表示两者间的关系；Z表示训练集Δ的模数；Δ′表示实体对和关系的负例三元组，三元组(h′,r′,t′)∈Δ′，是将(h,r,t)∈Δ中的h,r,t替换为h′,r′,t′所获得的；h,r,t,h′,r′,t′∈R^d，R^d表示维数为d的低维向量空间；[x]₊返回x与0两者中的较大值；||·||表示L₁或L₂范式；γ是三元组的正例和负例之间的间隔。

6.根据权利要求1所述的方法，其中，所述多步关系路径的长度低于阈值。

7.根据权利要求1所述的方法，其中，在步骤2的训练过程中，采用梯度下降法来更新所述损失函数。