[发明专利]基于置信度的知识表示学习方法

权利要求书

1.一种知识表示学习方法，其特征在于，包括：

获取知识图谱中的三元组；

基于平移假设下的三元组不相似度公式和三元组置信度公式，构建能量方程；

根据所述能量方程构建基于边际的评价函数，通过最小化所述评价函数，学习实体向量和关系向量的表示。

2.根据权利要求1所述的知识表示学习方法，其特征在于，所述基于平移假设下的三元组不相似度公式和三元组置信度公式，构建能量方程，之前还包括：

确定平移假设下的三元组不相似度公式，确定三元组置信度公式。

3.根据权利要求1或2所述的方法，其特征在于，所述基于平移假设下的三元组不相似度的公式为：

E(h，r，t)＝||h+r-t||

其中(h，r，t)为三元组的向量表达；E(h，r，t)为基于平移假设下的三元组不相似度；向量h为头实体，向量t为尾实体，向量r为两实体的关系。

4.根据权利要求1或2所述的方法，其特征在于，所述三元组置信度的公式为：

C(h，r，t)＝λ₁·LT(h，r，t)+λ₂·PP(h，r，t)+λ₃·AP(h，r，t)

其中，(h，r，t)为三元组的向量表达；C(h，r，t)为三元组置信度；LT(h，r，t)为局部三元组的置信度；PP(h，r，t)为先验路径置信度；AP(h，r，t)为自适应路径置信度；λ₁，λ₂，λ₃是超参数，用于调整三种三元组置信度的权值；向量h为头实体，向量t为尾实体，向量r为两实体的关系。

5.根据权利要求4所述的方法，其特征在于，所述局部三元组的置信度的公式为：

其中α和β为超参数，α用于控制局部三元组置信度的下降幅度，β用于控制局部三元组置信度的上升幅度；Q(h，r，t)为三元组的质量；Q(h，r，t)的公式为：

Q(h，r，t)＝-(γ+E(h，r，t)-E(h′，r′，t′)).

其中，γ为超参数，用于设置最大间隔算法的限制强度；E(h，r，t)为基于平移假设下的三元组不相似度；h’为替换h的负实例集合；r’为替换r的负实例集合；t’为替换t的负实例集合。

6.根据权利要求4所述的方法，其特征在于，所述先验路径置信度的公式为：

其中，Q_PP(r，p_i)三元组在先验路径置信度下的质量函数；R(h，p_i，t)表示路径p_i在三元组上的路径的可信任度；S_(h,t)为从头实体到尾实体的一定长度内的所有可能路径；

Q_PP(r，p_i)的公式为：

其中，ε是超参数，用于；P(r，p_i)是关系r和路径p_i的共现概率；P(p_i)是路径的p_i的出现概率；

R(h，p_i，t)的公式为：

其中，e是示例实体节点；E_i-1(·，e)是e的前置节点；E_i(e′，·)是e’的后继节点。