[发明专利]一种生成多关系图中节点的表示向量的方法

说明书

本发明实施例提供了一种生成多关系图中节点的表示向量的方法，本发明经过多关系图分解和编码后得到的编码后的单一关系子图，不仅可以降低预测难度，也可避免多关系图下潜在关联预测收到过多干扰，导致关联预测不够准确；然后潜在关联预测可以得到补充了潜在关联后的关系子图，能够实现挖掘多关系图中每一种关系情况中潜在关联信息，再聚合为挖掘了不同的潜在关系的多关系的特征聚合图，基于特征聚合图提取节点的表示向量，从而更好地为后续任务提供准确基础。

技术领域

本发明涉及神经网络领域，具体来说涉及基于多关系型图提取节点的表示向量的领域，更具体地说，涉及一种生成多关系图中节点的表示向量的方法。

背景技术

随着互联网技术的发展，不论是数据规模还是数据种类都呈现指数级增长。在知识爆炸的今天，人们为互联网构建大量结构化的知识库，这种知识库会将数据依据彼此间的关联性进行分层分类管理，使资料的储存、管理及应用更加系统化。图结构数据(Graph)在知识库的存储、查找、应用等不同过程扮演着重要的角色。

知识图谱(Knowledge Graph)属于一种重要的图结构数据，其将知识存储为三元组的形式，一个三元组由头实体(Head Entity)、关系(Relation)和尾实体(Tail Entity)三部分组成。如果两个实体间存在着多种关系，则一般可以称此类图结构为多关系型图(Multi-relational Graph)或者多关系图。知识图谱的表示学习通过相关知识图谱嵌入方法(Knowledge Graph Embedding Techniques)将实体或关系投影到低维向量空间，学习到与任务相关的头实体、关系、尾实体的表示向量。此类方法可以高效地计算实体和关系之间的语义关联，对知识库、知识推理及应用有着重要的意义。知识图谱表示学习能够在许多方向有着很好的应用，例如实体间相似度的计算、知识图谱的补全、关系抽取、自动问答等多种任务。

图结构数据与图片分类中的图不相同。图片通常属于欧几里得空间(EuclideanSpace)数据，也被称为网格状(Grid)数据，而图结构数据属于非欧几里得空间(Non-Euclidean Space)。欧氏空间数据具有规整的排列特点，非边缘区域的节点具有相同的邻居个数与排列方式，通过二维卷积操作可以很好的提取节点和其邻居的局部特征。以上这些特性在卷积神经网络(Convolutional Neural Networks,CNN)中有着体现，卷积神经网络可以很好地借助卷积操作提取在同一幅图片中不同区域，或多幅图片间共享的局部特征和全局特征，并且通过卷积核的参数共享减少神经网络的参数量。另一方面，卷积操作本身为图片增加了一定的先验知识，如人脸检测任务中，一张人脸往往是在图片中集中的一块区域。这些特性带来了参数共享、平移不变性和空间坐标一致性，这也是卷积神经网络适用于图片数据的部分原因。图像的卷积神经网络不能够直接的应用于图结构数据上，因为无法直接的定义图上的卷积操作。

近年来，随着图神经网络(Graph Neural Networks,GNN)的发展，图上的卷积神经网络开始的得到广泛应用。这些方法基于图谱域卷积将图片的卷积引入图结构数据中，基于图卷积网络的表示学习方法开始出现；如专利申请文献CN112529115A提出一种基于图神经网络的对象聚类方法和系统。此外，也有许多基于图神经网络的多关系型图表示学习方法通常基于多关系型图卷积网络模型(R-GCN)；如专利申请文献CN112417063A提出了一种基于异构关系网络的相容功能项推荐方法，利用实体之间存在的相似关系和相容关系，构建异构关系网络，之后利用网络表示学习的相关方法将初期构建的异构关系网络转换为向量化表示，实现下游应用节点分类；专利申请文献CN112417314A通过构建基于自杀风险个体知识图谱，以及建立双层注意力机制，有效解决了社交网络中对自杀意念分析存在数据不易获取以及数据稀少的问题。

但是，常见多关系型图卷积网络模型在图神经网络模型中使用的图结构仅考虑每种关系下直接相连的节点，没有充分考虑潜在的节点间关联。

发明内容

因此，本发明的目的在于克服上述现有技术的缺陷，提供一种生成多关系图中节点的表示向量的方法。