[发明专利]基于关系注意力的知识图谱推理方法、装置和计算机设备

说明书

本申请涉及一种基于关系注意力的知识图谱推理方法、装置和计算机设备。所述方法包括：获取知识图谱中节点的初始嵌入表示，将初始嵌入表示转换到高维空间，得到高维嵌入表示，获取知识图谱中目标节点的邻居节点集合，根据关系类型构建邻居子图，根据目标节点的高维嵌入表示和邻居子图中邻居节点的高维嵌入表示，得到目标节点嵌入邻居子图中信息的邻居嵌入表示，将目标节点的高维嵌入表示与邻居嵌入表示进行聚合，得到目标节点的聚合嵌入表示，根据邻居子图的第一注意力分值，对聚合嵌入表示进行融合，得到目标节点的融合嵌入表示，根据融合嵌入表示，计算目标节点对应三元组的得分，根据得分进行三元组推理。采用本方法能够提高三元组推理的精度。

技术领域

本申请涉及知识图谱技术领域，特别是涉及一种基于关系注意力的知识图谱推理方法、装置、计算机设备和存储介质。

背景技术

知识图谱在许多自然语言处理应用中有非常重要的作用，例如问答系统、语义搜索等。但由于知识获取的不确定性，基于实体识别和关系抽取技术构建的知识图谱，会导致知识图谱的不完整，从而影响这些应用的性能。如果知识图谱中存在错误，会导致该应用返回错误的结果。知识图谱推理技术指的是根据现有的知识图谱中的已知事实，推断出新的事实，使用知识图谱推理技术可以丰富知识图谱。

三元组是知识图谱中知识表示的基本单位，被用来表示实体与实体之间的关系，或者实体的某个属性的属性值是什么。例如：我们将知识图谱中的节点用表示，节点与节点之间的关系用表示，相应地，知识图谱可表示为, 其中，每一个三元组描述实体与实体之间的某种关系。

为了捕获三元组周围的局部邻居中固有隐含的复杂和隐藏信息，已有相关研究中，基于图注意力的模型在获取网络结构上取得了成功，但直接用于知识图谱是不合适的，因为它忽略了知识图谱里很重要的一部分信息——边，即在KG里实体之间的关系信息。文献1（Nathani D , Chauhan J , Sharma C , et al. Learning Attention-basedEmbeddings for Relation Prediction in Knowledge Graphs[C]//. meeting of theassociation for computational linguistics, (ACL) 2019: 4710-4723.）中提出的一种考虑知识图谱中关系的端到端的模型，在每一层节点特征聚合时都考虑了关系向量表示。但是该模型只是在计算注意力时考虑了关系与实体表示的简单拼接，并没有突出关系的重要性。文献2（Velikovi P , Cucurull G , Casanova A , et al. Graph AttentionNetworks[C]// 6th International Conference on Learning Representations,{ICLR} 2018, Vancouver, BC, Canada, April 30 - May 3, 2018.）提出的GAT模型考虑所有邻居，给每个邻居不同的权重，但是GAT只考虑了一阶邻居，而且没有关注边的特征。均导致的知识图谱推理不准确。

发明内容

基于此，有必要针对上述技术问题，提供一种能够知识图谱推理不准确问题的基于关系注意力的知识图谱推理方法、装置、计算机设备和存储介质。

一种基于关系注意力的知识图谱推理方法，所述方法包括：

获取知识图谱中节点的初始嵌入表示，将所述初始嵌入表示转换到高维空间，得到高维嵌入表示；

获取所述知识图谱中目标节点的邻居节点集合，根据所述目标节点与所述邻居节点集合中邻居节点的关系类型，构建邻居子图；

根据所述目标节点的高维嵌入表示和所述邻居子图中邻居节点的高维嵌入表示，得到所述目标节点嵌入邻居子图中信息的邻居嵌入表示；

将所述目标节点的高维嵌入表示与所述邻居嵌入表示进行聚合，得到目标节点的聚合嵌入表示；