[发明专利]一种基于图感知张量分解的知识图谱补全方法

说明书

本发明公开了一种基于图感知张量分解的知识图谱补全方法，包括如下步骤：从图神经网络中提取三元组数据(e_s,r,e_o)的表征信息，构建具有实体和关系的图形编码模型，即G＝(V,E)；对图形编码模型的二维表征信息通过Tucker分解方法构建三阶张量分解模型；即：所述三阶张量分解模型根据预测(e_s,r,)的最大概率作为三元组为真的概率输出，实现知识图谱的补全，该方法解决了现有知识图谱库中数据之间的关系推测以及实体之间隐含的连接关系难挖掘的问题，实现对大规模知识图谱数据集的高精度补全。

技术领域

本发明涉及知识图谱领域，尤其涉及一种基于图感知张量分解的知识图谱补全方法。

背景技术

2012年5月17日，Google公司率先提出知识图谱(Knowledge Graph)这一概念，用于指代提升搜索引擎性能、改善用户搜索体验的知识库。大数据时代到来带动了知识图谱数据库的丰富，常用的公开知识图谱有FreeBase,OpenKG,Yago,DBpedia等。

知识图谱是一种网状型的可视化数据，用于描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。知识图谱采用三元组(head,relation,tail)的形式表示，head代表头实体，tail代表尾实体，在图中统称实体，用点的形式表示，relation代表两个实体之间的关系，在图中用线表示。虽然现有的知识图谱库中已经储存了大量的事实数据，但仍有许多实体之间的隐含关系没有体现，需要对其进行充分地挖掘。知识图谱补全主要研究此问题，基于已有的知识图谱数据，通过研究数据之间的关系，从而推测出实体之间隐含的连接关系，使知识图谱变得更加完备。

从知识图谱补全技术的发展来看，大致可以分为两大类。第一类以2013年Borders等人受词向量平移不变性启发，提出的TransE模型为首，后续提出了一系列改进的Trans系列模型。这类方法包括：TransH,TransR,CTransR,TransD,TransA,TransF,TransMS等。伴随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，并被应用于计算机视觉、自然语言处理等领域。第二类方法是以ConvE等人提出的ConvE模型。这类方法包括ConvKB,HypER等。

张量通常用来表示真实世界中的数据，关于张量的相关研究表明，高维数据中的数据点不会扩散至整个空间，而是存在于一个较低维的空间中，因此可以通过低秩张量分解从高维数据中提取其中的关键特征近似代替原数据，这样不但可以解决因维度过高而带来的问题，还可以获得稳定的学习结果。CP分解和Tucker分解是两种流行的低秩张量因子分解模型，同时还有许多变体的张量分解模型。

近年来有关于张量的学习研究受到越来越多的学者关注。而二元三阶张量可以被用来表述知识图谱库，知识图谱库中的每个元素对应一个三元组，1表示一个真实的事实，0表示未知或者错误的事实。知识图谱补全的任务是根据知识图中已经存在的已知事实，预测没有给出关系的两个实体是否相关，即推断张量中的0项，哪些确实是假的，其值为0，哪些缺失了，但实际上是真的，其值为1。如果可以将张量分解与图神经网络相融合，就可以对现有的知识图谱库进行补全,这也是本领域技术人员必须解决技术问题。

发明内容

针对现有技术存在的技术问题，本发明提供一种基于图感知张量分解的知识图谱补全方法，该方法可以通过张量分解将图神经网络与知识图谱补全相结合，从而解决现有知识图谱库中数据之间的关系推测以及实体之间隐含的连接关系挖掘难的问题，从而完备知识图谱，实现对大规模知识图谱数据的高精度补全。

为了解决现有技术的技术问题，本发明采用如下技术方案：

一种基于图感知张量分解的知识图谱补全方法，包括如下步骤：