[发明专利]一种基于组合自注意的图卷积知识表示学习模型CompSAGCN的预测方法

权利要求书

1.一种基于组合自注意的图卷积知识表示学习模型CompSAGCN的预测方法，其特征在于，包括以下步骤：

对于每一个实体e，使用图卷积神经网络构成的编码器来学习实体e的邻居信息，得到实体的增强表示v_e，再使用自注意力卷积神经网络构成的解码器提取v_e和关系向量v_r的特征；然后将实体和关系的特征向量进行拼接，通过全连接层进行特征的压缩，将压缩后的特征表示与所有的实体向量相乘，最后使用sigmoid激活得到每个三元组的得分。

2.根据权利要求1所述的一种基于组合自注意的图卷积知识表示学习模型CompSAGCN的预测方法，其特征在于，所述对于每一个实体e，使用图卷积神经网络构成的编码器来学习实体的邻居信息，得到实体的增强表示v_e具体为：

其中，实体e包括头实体h以及尾实体t；

对于知识图谱G中每个边(h，r，t)表示有一个关系r从节点h到t存在的事实；对于每个边(h，r，t)∈G，构造反关系r^-1的三元组(h，r^-1，t)也作为G中的事实；在k层有向GCN层之后获得的实体特征表示为：

式中，代表模型的特定于关系的参数矩阵，A是添加了自连接的归一化邻接矩阵，f代表的是ReLU激活函数，K表示图卷积神经网络的层数，L表示实体的特征表示；

对于头实体h，将式(1)改为如下形式：

v_h＝f(∑_N(h)W_rv_t)；

式中，N(h)是头实体h的直接邻居的集合；W_r表示关系的权重矩阵，v_h表示头实体向量，v_t表示尾实体向量；

按照关系r执行邻节点t的合成操作(φ)，使模型在融合实体信息同时感知关系，得到头实体的增强表示如下：

v_h＝f(∑_N(h)W_λ(r)φ(x_t，z_r))；

式中，x_t，z_r分别表示节点t和关系r的初始特征向量，并且是关系类型特定的参数；d1与d0分别表示关系的个数与关系向量的维度；

对于尾实体t，将式(1)改为如下形式：

v_t＝f(∑_N(t)W_rv_h)；

式中，N(t)是尾实体t的直接邻居的集合；W_r表示关系的权重矩阵，v_h表示头实体向量，v_t表示尾实体向量；

按照关系r执行邻节点t的合成操作(φ)，使模型在融合实体信息同时感知关系，得到尾实体的增强表示如下：

v_t＝f(∑_N(t)W_λ(r)φ(x_h，z_r))；

式中，x_h，z_r分别表示头实体h和关系r的初始特征向量，并且是关系类型特定的参数；d1与d0分别表示关系的个数与关系向量的维度；

将一组基向量进行不同的线性变换来表示不同的关系向量，定义{v1，v2，....，vn}为一系列学习的基向量，z_r写作：

式中，α_br表示的是一个可训练的权重矩阵。

3.根据权利要求2所述的一种基于组合自注意的图卷积知识表示学习模型CompSAGCN的预测方法，其特征在于，所述合成操作(φ)是实体-关系组合操作，公式如下：

φ(x_t，z_r)＝x_t★z_r。