[发明专利]基于元学习的少样本知识图谱补全方法

说明书

本发明公开了一种基于元学习的少样本知识图谱补全方法，包括获取待补全的知识图谱和对应的邻域知识图谱；对待补全的知识图谱中的实体嵌入进行初始化；将待补全的知识图谱的关系集合分为训练关系集合和测试关系集合，并选取一个关系所对应的三元组构建元训练任务或元测试任务；在若干个批次的元训练任务上训练得到少样本知识图谱补全模型；采用训练好的少样本知识图谱补全模型对元测试任务进行补全。本发明方法能够根据少量三元组就进行知识图谱补全，解决传统的基于嵌入的方法对知识图谱中的少样本关系的补全效果不好的问题，而且对邻域知识图谱的依赖性较低，鲁棒性更好，可靠性更高，效果更好。

技术领域

本发明属于机器学习领域，具体涉及一种基于元学习的少样本知识图谱补全方法。

背景技术

知识图谱是一种包含多种类型关系和实体的多源数据。知识图谱广泛应用于问答系统、搜索引擎、推荐系统等领域。知识图谱由大量的三元组构成，每个三元组都由头实体，关系和尾实体组成，代表现实世界中的知识。

虽然知识图谱中有大量的实体、关系和三元组，但是知识图谱普遍存在不完整的问题，因此需要补全。通过捕捉知识图谱中不同类型的关系和实体之间的联系，并汇聚多源数据中的特征，从而自动补全知识图谱，是知识图谱补全的关键问题。

知识图谱嵌入方法被广泛研究，并用于知识图谱补全。这类方法通过将知识图谱中的实体和关系映射到低维向量空间来解决这个问题。但是，这类方法依赖大量的训练三元组，然而知识图谱中很大一部分关系是仅已知少量三元组的长尾关系。因此，嵌入方法对长尾关系的效果不好，从而严重影响了知识图谱补全的效果。

发明内容

本发明的目的在于提供一种能够根据少量三元组就进行知识图谱补全，而且可靠性高、效果好的基于元学习的少样本知识图谱补全方法。

本发明提供的这种基于元学习的少样本知识图谱补全方法，包括如下步骤：

S1.获取待补全的知识图谱和对应的邻域知识图谱；所述邻域知识图谱包括待补全的知识图谱中所有实体的邻域信息；

S2.采用步骤S1获取的邻域知识图谱，对待补全的知识图谱中的实体嵌入进行初始化；

S3.将待补全的知识图谱的关系集合分为训练关系集合和测试关系集合，并从训练关系集合或测试关系集合中选取一个关系所对应的三元组构建元训练任务或元测试任务；

S4.在若干个批次的元训练任务上训练得到少样本知识图谱补全模型；

S5.采用训练好的少样本知识图谱补全模型，对元测试任务进行补全。

步骤S2所述的采用步骤S1获取的邻域知识图谱，对待补全的知识图谱中的实体嵌入进行初始化，具体为采用嵌入方法，在步骤S1获取的邻域知识图谱上训练得到待补全的知识图谱的实体的嵌入表示；且若邻域知识图谱不存在，则随机初始化待补全的知识图谱的实体的嵌入表示。

步骤S3所述的将待补全的知识图谱的关系集合分为训练关系集合和测试关系集合，并从训练关系集合或测试关系集合中选取一个关系所对应的三元组构建元训练任务或元测试任务，具体包括如下步骤：

A.将待补全的知识图谱的关系集合R分为训练关系集合R_train和测试关系集合R_test；

B.从训练关系集合R_train或测试关系集合R_test中选取一个关系r所对应的三元组构建元训练任务T_train或元测试任务T_test；所述的元训练任务T_train和元测试任务T_test均包括支持集S_r和查询集Q_r；

C.采用如下步骤得到元训练任务T_train的支持集S_r：