[发明专利]一种基于子图嵌入的跨语言实体对齐方法

权利要求书

1.一种基于子图嵌入的跨语言实体对齐方法，其特征在于：包括以下步骤：

步骤1：构建实体信息、属性信息、训练集和测试集；

步骤2：构建训练集的实体嵌入矩阵初始值，跨语言知识图谱KG₁和KG₂的邻接矩阵；

步骤3：基于训练集，训练图卷积网络模型，生成实体的嵌入表示；

步骤3，具体包括如下子步骤：

步骤3.1：将训练集的实体嵌入矩阵初始值，以及表示知识图谱KG₁的图G₁的邻接矩阵输入至图卷积网络GCN₁，即生成图卷积网络GCN₁的第一层神经网络层的输入；图卷积网络GCN₁包含若干神经网络层，模型参数在不同神经网络层之间共享；

步骤3.2：将训练集的实体嵌入矩阵初始值，以及表示知识图谱KG₂的图G₂的邻接矩阵输入至图卷积网络GCN₂，即生成图卷积网络GCN₂的第一层神经网络层的输入；

步骤3.3：图卷积网络GCN₂与图卷积网络GCN₁采用相同方式生成每一层神经网络层的输入；

步骤3.4：基于子图嵌入生成图卷积网络GCN₁和GCN₂的结点的嵌入表示，图卷积网络GCN₁的结点嵌入表示和GCN₂的结点嵌入表示采用相同方式生成；具体为：根据预设的子图窗口大小在来生成每个结点的子图嵌入，不断迭代来优化图卷积网络模型；对于图卷积网络模型的结点，其子图窗口大小是指计算结点的子图嵌入所考察的子图大小范围；将直接存在关系边连接的两个结点间距离定义为1，将与结点距离小于给定阈值的结点集合划分在子图中；用窗口大小约束参与每一层的结点的子图嵌入的计算；

对于图卷积网络GCN₁，在计算结点v_i的子图嵌入时，子图中不同结点通过注意力机制在计算结点v_i的子图嵌入时赋予不同的权重，其原因在于：结点v_i子图中的结点与结点v的关联程度不同，因此子图中不同结点对子图嵌入计算的贡献也不同；

其中，子图嵌入的注意力机制通过构建注意力矩阵实现，具体为：对于结点v_i，设V_sg表示v_i子图内的所有结点集合，结点v_j和v_k都属于集合V_sg；构建注意力矩阵S，元素s_ij表示结点v_j对结点v_i的重要程度，即在知识图谱中结点v_j所表示实体对结点v_i所表示实体的重要程度，元素s_ij的计算方法如公式(7)所示：

其中，为参数，e_i为结点v_i的嵌入表示，e_j为e_i的子图内结点v_j的嵌入表示，e_k为e_i的子图内结点v_k的嵌入表示，E_sg表示e_i子图内的所有结点的嵌入表示集合；W为一个线性神经网络层，“||”表示向量的拼接操作；LeakyReLU(·)函数的作用是对负值赋予一个非零的斜率，y_i＝LeakyReLU(x_i)，计算方法如公式(8)所示：

生成结点v_i的子图嵌入表示h′_i，如公式(9)所示：

其中，h_j为基于图卷积网络生成的结点v_j的嵌入表示，W₁是可训练的权重矩阵，s_ij为根据公式(7)计算的注意力机制的权重，σ(·)为非线性激活函数，E_bag＝{h₁₁,h₁₂,…,h_1n}，即由第l神经网络层每个结点的嵌入表示h₁₁,h₁₂,…,h_1n构成的集合；

对于结点v_i，将其嵌入表示h_i与其子图嵌入表示h′_i融合，并输入至下一神经网络层中，参与计算模型下一神经网络层的输出，重复步骤3.3和步骤3.4，结点嵌入在图卷积网络模型的每一层逐步优化，直至图卷积网络的输出层，生成结点所表示实体的嵌入表示；即生成图卷积网络GCN₁中结点所表示实体的嵌入表示，生成图卷积网络GCN₂的结点嵌入表示；

步骤4：在利用训练集完成图卷积网络模型的参数训练后，将测试集输入至图卷积网络模型，基于图卷积网络和子图嵌入，生成测试集中实体的嵌入表示；

步骤5：判别测试集中的实体对齐关系，具体为：

对于测试集中待对齐的跨语言实体对(x_u,y_v)，计算每一实体对(x_u,y_v)的嵌入表示(e_u,e_v)相似度，e_u和e_v分别为实体x_u和实体y_v的嵌入表示；

对于每一实体x_u，根据余弦相似度计算结果，构建与实体x_u对齐的候选实体集合T；进一步，按照余弦相似度非降序顺序，对候选实体集合T排序，构建有序实体列表T_e；

最后，输出所有实体x_u以及与其具有对齐关系的有序实体列表T_e。