[发明专利]一种基于多向语义的知识图谱复杂关系推理方法

权利要求书

1.一种基于多向语义的知识图谱复杂关系推理方法，其特征在于，包括：

将知识图谱的训练样本数据集中的实体映射为两组低维空间向量表示；

将知识图谱的训练样本数据集中的关系映射为两组低维空间向量和一维参数表示；

随机选择知识图谱的训练样本数据集中的实体，替换训练样本正三元组的实体，生成训练负样本数据；

根据训练样本正三元组和生成的训练负样本，定义训练过程中的目标函数为：

式中，，表示正三元组的距离函数，表示正三元组的对应负样本的距离函数；其中：

或

或

式中，表示头实体对应于本身固有属性对应的语义信息表示，不因本身的性质影响尾实体或关系的语义信息表示；表示关系本身固有属性对应的语义信息表示，头实体或尾实体的固有属性对应的语义信息不因其而变化；表示尾实体对应于本身固有属性对应的语义信息表示，不因本身的性质影响头实体或关系的语义信息表示，关系或尾实体的固有属性对应的语义信息不因其而变化；表示头实体由于在三元组内对三元组内的关系和尾实体产生的语义影响，当关系和尾实体固定时，对关系和尾实体的影响随着头实体变化而变化；表示关系在三元组内对三元组内的头实体和尾实体产生的语义影响，头实体和尾实体固定时，对头尾实体的影响随着关系变化而变化；表示尾实体由于在三元组内对三元组内的关系和头实体产生的语义影响，当关系和头实体固定时，对关系和头实体的影响随着尾实体变化而变化；表示作为关系的动作本身受到头实体使动和尾实体被动信息的影响，同时应受到自身固有属性的影响，用来区分表示实体和关系；表示非线性变换，对应于注意力机制；表示一个m维的单位向量；为距离公式；

将训练样本数据集中的实体映射结果和关系映射结果分别带入目标函数，优化得到知识图谱中每个实体或关系对应的向量表示；

利用优化得到的向量表示，计算知识图谱三元组中实体和关系之间的距离值，并根据距离值进行关系推理。

2.根据权利要求1所述的基于多向语义的知识图谱复杂关系推理方法，其特征在于，所述将知识图谱的训练样本数据集中的实体映射为两组低维空间向量两组向量，包括：

设知识图谱的训练样本数据集中的实体集合中共有n个实体，其中每一个实体映射为一个m维的向量和一个m维的向量。

3.根据权利要求2所述的基于多向语义的知识图谱复杂关系推理方法，其特征在于，对于知识图谱中的训练样本数据集中的实体集合中的每一个实体映射为向量和向量分别随机初始化为一个m维的向量，并限制其模长为1。

4.根据权利要求1所述的基于多向语义的知识图谱复杂关系推理方法，其特征在于，所述将知识图谱的训练样本数据集中的关系映射为两组低维空间向量和一维参数表示，包括：

设知识图谱的训练样本数据集中的关系集合中共有t个关系，其中每一个关系映射为一个m维度的向量、一个m维的向量和一个一维参数。

5.根据权利要求4所述的基于多向语义的知识图谱复杂关系推理方法，其特征在于，对于知识图谱中的训练样本数据集中的关系集合中的每一个关系映射为向量和向量分别随机初始化为一个m维的向量，并限制其模长为1，同时随机初始化一个一维参数。

6.根据权利要求1所述的基于多向语义的知识图谱复杂关系推理方法，其特征在于，所述生成训练负样本数据的方法，包括：

对于训练样本中的正三元组S（h，r，t），随机从实体集合中选择一个实体，并随机替换三元组中的头实体h或尾实体t，生成负样本数据集；其中，为设知识图谱的训练样本数据集中的关系集合。

7.根据权利要求1所述的基于多向语义的知识图谱复杂关系推理方法，其特征在于，将训练样本数据集中的实体映射结果和关系映射结果分别带入目标函数，对知识图谱中的实体与关系进行训练；经过训练后，最终得到每个实体或关系对应的映射向量，利用映射向量获得实体之间是否满足某种关系的可能性。