[发明专利]一种结合规则和路径的知识图谱组合表示学习方法

权利要求书

1.一种结合规则和路径的知识图谱组合表示学习方法，其特征在于，具体步骤如下：

步骤一：从知识图谱中抽取关于关系的逻辑规则，具体为利用关联规则挖掘工具从知识图谱中抽取逻辑规则，每条逻辑规则均具有其置信度值μ∈[0,1]，并限制规则体中关系的个数即规则长度最多为2；得到规则长度分别为1和2的两类逻辑规则，如下所示：

其中，x,y,z分别表示知识图谱中任意的实体，r₁,r₂,r₃分别表示知识图谱中的三个关系；并对所述逻辑规则进行编码表示；

步骤二：基于步骤一中得到的逻辑规则的编码表示，完成关系路径中的关系语义组合操作，进一步得到实体间关系路径的向量表示，并基于步骤一中得到的逻辑规则建立关系之间的语义关联；

步骤三：结合知识图谱的三元组、实体间的关系路径向量表示和关系向量间的语义关联，联合构建能量方程，根据能量方程建立基于边际的评价函数，并最小化评价函数以学习实体向量和关系向量。

2.根据权利要求1所述的一种结合规则和路径的知识图谱组合表示学习方法，其特征在于，所述步骤一中，对抽取出的逻辑规则进行编码表示，并将规则体中用关系的逆代替原关系或交换两个关系的位置。

3.根据权利要求1所述的一种结合规则和路径的知识图谱组合表示学习方法，其特征在于，所述步骤二中，利用步骤一得到的规则长度为2的逻辑规则将两个关系直接合成为一个新的关系，基于这类规则，进行对两个实体之间的关系路径的语义组合操作，进一步得到关系路径的向量表示；对于关系路径中无法采用逻辑规则进行语义组合的关系，将关系进行向量表示后采取相加操作得到关系路径的向量表示。

4.根据权利要求1所述的一种结合规则和路径的知识图谱组合表示学习方法，其特征在于，所述步骤二中，基于步骤一得到的规则长度为1的规则建立规则头中的关系与规则体中的关系之间的语义关联。

5.根据权利要求1所述的一种结合规则和路径的知识图谱组合表示学习方法，其特征在于，所述步骤三中，具体步骤包括：

步骤3.1根据知识图谱内的三元组的向量表示构建能量函数E₁(h,r,t)为：

E₁(h,r,t)＝||h+r-t||；

其中，h,r,t分别表示知识图谱三元组中的头实体、关系和尾实体的向量表示；

根据关系路径的向量表示和实体间关系的向量表示构建能量函数E₂(p,r)为：

其中，p表示关系路径，R(p|h,t)表示头实体h和尾实体t之间关系路径p的可靠度，C(p)表示对关系路径p采用语义组合操作之后的向量表示，B(p)＝{μ₁,...,μ_n}表示对关系路径语义组合过程中用到的所有规则的置信度集合，μ₁和μ_n分别表示用到的第1个规则和第n个规则的置信度；

根据由规则语义关联的两个关系的向量表示构建能量函数E₃(r,r_R)为：

E₃(r,r_R)＝||r-r_R||；

其中，r_R代表利用规则由r表示的关系推出的关系的向量表示；

步骤3.2根据步骤3.1所述的三个能量方程E₁(h,r,t)，E₂(p,r)和E₃(r,r_R)，构建基于边际的评价函数，具体公式如下所示：

其中，L是整个组合表示学习模型的评价函数，L₁(h,r,t)是关于知识图谱中三元组表示的评价函数，L₂(p,r)是关于关系路径和实体间关系的评价函数，L₃(r,r_R)是关于实体间关系及其通过规则语义关联的关系的评价函数，max(0,x)定义为选取0和x二者的最大值，x代表任意一个实数，P(h,t)表示头实体h和尾实体t之间所有的关系路径组成的集合，D(r)表示由关系r根据规则推出的所有关系的集合；α₁和α₂分别代表对于关系路径的权重和对于关系的语义关联约束的权重；γ₁,γ₂,γ₃分别代表L₁(h,r,t)，L₂(p,r)和L₃(r,r_R)三个评价函数中的边际参数；β表示对关系r和关系r_R进行语义关联的规则的置信度；T表示知识图谱中存在的三元组的正例集，T^-表示利用T重构的负例集，如下所示：

T^-＝{(h',r,t)∪(h,r',t)∪(h,r,t')}；

其中，(h',r,t)，(h,r',t)，(h,r,t')分别表示对T中的正例三元组(h,r,t)随机替换头实体，关系和尾实体构成的新的负例三元组。