[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

说明书

本发明公开了一种结合规则和路径的知识图谱组合表示学习方法，首先从知识图谱中抽取逻辑规则，并对逻辑规则进行编码表示；然后基于编码表示的规则，完成关系路径中的关系语义组合操作和建立关系对之间的语义关联；最后结合三元组、实体间的关系路径向量表示和关系向量间的语义关联约束，联合构建能量方程，并得到最小化评价函数。本发明公开了一种结合规则和路径的知识图谱组合表示学习方法，不仅提高了对关系表示的准确性，而且利用规则建立关系之间的语义关联，并对具有语义关联的关系的向量表示进行约束，在关系的向量表示中增加更多语义信息，提高对关系的向量表示的精度。

技术领域

本发明涉及自然语言处理和知识图谱技术领域，更具体的说是涉及一种结合规则和路径的知识图谱组合表示学习方法。

背景技术

近年来，随着互联网技术和应用模式的迅猛发展，引发了数据的爆炸式增长，其中蕴含大量有价值的知识；知识图谱以结构化的形式描述各类概念、实体及其关系，将海量的信息表达成更接近人类认知世界的形式。目前，知识图谱已在语义搜索、智能问答系统、数据挖掘等领域发挥重要作用。

知识图谱通过(头实体，关系，尾实体)的三元组知识表示形式描述数据库中的海量有价值的知识，其能够给出一个实体和其它相关实体更深层和更广泛的联系。由于知识图谱中的实体数量巨大，在应用知识图谱的过程中研究人员发现，由于信息抽取算法导致无法识别到一些关系或抽取到属性值，知识图谱存在很大程度的不完备性，其中的很多关系和属性出现缺失；此外，因为构建知识图谱的数据有错误或者因为知识图谱的构建采用统计方法导致知识图谱中存在错误的知识。因此，需要利用知识图谱的推理从给定的知识图谱推导出新的实体和实体之间的关系和滤除那些错误的知识。其中，知识图谱的表示学习旨在将知识图谱中的实体和关系嵌入到低维实值向量空间，通过比较实体和关系在该向量空间中的分布式表示推理出实体和实体之间的潜在关系，成为面向知识图谱的推理的重要技术手段。如何准确与快速地得到表示知识图谱中实体和关系的向量表示是表示学习的重点和难点，而仅考虑知识图谱中三元组本身的信息来进行表示学习难以有效实现对知识图谱准确的表示，因此，需要借助更多的信息来辅助表示学习的过程。

针对上述问题，国内外已有相关方法用于知识图谱的表示学习。专利CN201610350225.9充分利用实体具有层次结构的类别信息，使得实体通过类别的映射矩阵在不同类别上拥有不同的表示向量，专利CN201610852672.4利用指定语料库中包含的序列文本信息，在表示学习的过程中加入基于文本的实体向量。以上两种方法都是通过增加实体的语义信息提高表示学习的效果，但缺少对知识图谱内部结构的关注，无法从知识图谱整体结构的角度提高表示学习的性能。因此，相关研究人员提出利用知识图谱中的图结构，挖掘知识图谱中除了三元组结构外更深层次的信息；专利CN201810639360.4考虑了知识图谱中的关系路径，利用长短时记忆网络对关系路径中的多个关系进行语义组合操作，进一步将关系路径的表示引入表示学习中提供实体对之间的直接关系和关系路径的相互关联。但是，这种方法在对关系路径进行语义组合操作中是直接对关系的向量表示进行组合，没有考虑到关系的组合本身应是一种语义层次的操作，限制了关系路径表示的准确性。

因此，如何提供一种结合规则和路径的知识图谱组合表示学习方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种结合规则和路径的知识图谱组合表示学习方法，由于现有技术中无法准确表示知识图谱中的关系路径，且没有建立起关系之间的语义关联，本发明提供一种结合规则和路径的知识图谱组合表示学习方法，通过从知识图谱中抽取出的逻辑规则对知识图谱的关系路径进行语义组合操作，得到关系路径的表示，同时利用逻辑规则建立关系之间的语义关联，对存在语义关联的关系对的向量表示进行约束，以提高知识图谱的表示学习的性能。

为了实现上述目的，本发明提供如下技术方案：

一种结合规则和路径的知识图谱组合表示学习方法，具体步骤如下：