[发明专利]一种知识图嵌入复合邻居链路预测方法

说明书

本发明涉及信息处理技术领域，具体涉及一种知识图嵌入复合邻居链路预测方法，包括复从知识图谱实体描述中提取具有代表性的实体邻居；动态记忆网络编码器包含输入、问题、情景记忆以及回答模块，计算输入和问题的向量表示，触发Attention机制，选择出跟问题相关的输入；情景记忆模块结合相关的输入和问题进行迭代生成记忆，并且生成一个答案的向量表示；KGE解码器和培训目标使用不同的KGE模型来进行链路预测；本申请提出新的编码解码器框架复合邻域嵌入，利用复合邻域嵌入来增强现有的KGE方法；通过设计了动态储网络，利用键值存储单元和多层注意，避免冗余计算，提高推理能力；将编码器增强的实体表示应用到KGE模型中。

技术领域

本发明涉及信息处理技术领域，具体涉及一种知识图嵌入复合邻居链路预测方法。

背景技术

知识图因其在人工智能(AI)领域的巨大应用潜力而引起了人们的广泛关注。在大多数知识图谱中，知识事实以三元组的形式存储(头实体、关系、尾实体)，尽管从现实世界中提取了数百万个事实，但大规模知识图的构建仍然面临不完整性和稀疏性问题。为了自动预测新的事实并完成知识图谱，提出了知识图谱嵌入算法。与一般的图嵌入不同的是，知识图谱嵌入方法关注于多关系图，学习在低维连续向量空间中实体和关系的表示。然而，大多数知识图谱嵌入方法需要学习知识图谱中的每一个三元组，因此在处理具有很少的三元组的实体时，它们的性能经常会下降。为了解决稀释性问题，利用文本描述或局部邻居来增强KGE。

虽然利用文本描述和局部邻居来增强KGE是有效的，但在工程实践中使用时存在三个问题：实体描述的信息冗余性；本地邻居的不平衡分布；文本描述提供的实体特征不同。

发明内容

本发明所要解决的技术问题是：提供一种解决背景技术中存在的问题的知识图嵌入复合邻居链路预测方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种知识图嵌入复合邻居链路预测方法，包括

复合邻居，从知识图谱实体描述中提取具有代表性的实体邻居；

动态记忆网络编码器，包含输入、问题、情景记忆以及回答模块，计算输入和问题的向量表示，触发Attention机制，选择出跟问题相关的输入；情景记忆模块结合相关的输入和问题进行迭代生成记忆，并且生成一个答案的向量表示；以及

KGE解码器和培训目标，使用不同的KGE模型来进行链路预测。

本发明的有益效果在于：本申请提出了一种新的编码解码器框架——复合邻域嵌入(CoNE)，利用复合邻域嵌入来增强现有的KGE方法；为了从实体的复合邻居中学习实体的表示，设计了动态储网络(DMN)，与一般的图卷积网络相比，DMN编码器利用了键值存储单元和多层注意，避免了冗余计算，提高了推理能力。然后，将DMN编码器增强的实体表示应用到KGE模型中。

附图说明

图1为本发明具体实施方式的一种知识图嵌入复合邻居链路预测方法的实体e生成复合邻居的过程示意图；

图2为为本发明具体实施方式的一种知识图嵌入复合邻居链路预测方法的DMN网络模型架构图。

具体实施方式

为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。

请参照图1以及图2，一种知识图嵌入复合邻居链路预测方法，包括

复合邻居，从知识图谱实体描述中提取具有代表性的实体邻居；

动态记忆网络编码器，包含输入、问题、情景记忆以及回答模块，计算输入和问题的向量表示，触发Attention机制，选择出跟问题相关的输入；情景记忆模块结合相关的输入和问题进行迭代生成记忆，并且生成一个答案的向量表示；以及