[发明专利]图神经网络的训练与知识图谱的补全方法、装置

说明书

本公开提供了一种图神经网络的训练与知识图谱的补全方法，涉及知识图谱、深度学习等技术领域。图神经网络的训练方法包括：获取知识图谱并得到多个训练样本与多个训练样本的标注结果；得到多个训练样本的头结点向量、关系向量与尾结点向量；构建包含语义层、卷积层与输出层的初始图神经网络；使用训练样本的头结点向量、关系向量、尾结点向量与标注结果训练得到目标图神经网络。知识图谱的补全方法包括：获取待补全知识图谱；生成头结点向量、关系向量与尾结点向量；将头结点向量、关系向量与尾结点向量输入目标图神经网络得到相似度结果；在确定相似度结果满足预设要求的情况下，根据头结点向量、关系向量、尾结点向量与待补全知识图谱完成补全。

技术领域

本公开涉及计算机技术领域，尤其涉及知识图谱、深度学习等人工智能技术领域。提供了一种图神经网络的训练与知识图谱的补全方法、装置、电子设备和可读存储介质。

背景技术

知识图谱(Knowledge Graph)用于描述现实世界中各种实体或者各种概念之间的关系，已经被广泛地应用于自动问答、信息抽取、个性化推荐等领域。虽然知识图谱可以提供高质量的结构化数据，但是现阶段的知识图谱是通过人工或者半自动的方法所建立的，通常不是完整的，因此需要将知识图谱进行补全。

发明内容

根据本公开的第一方面，提供了一种图神经网络的训练方法，包括：获取知识图谱，根据所述知识图谱得到多个训练样本与多个训练样本的标注结果，每个训练样本为由所述知识图谱中的头结点、关系与尾结点构成的三元组；得到所述多个训练样本中头结点的头结点向量、关系的关系向量与尾结点的尾结点向量；构建包含语义层、卷积层与输出层的初始图神经网络，所述卷积层用于根据所述语义层输出的头结点语义向量与关系语义向量得到卷积向量；使用多个训练样本的头结点向量、关系向量、尾结点向量与多个训练样本的标注结果对所述初始图神经网络进行训练，得到目标图神经网络。

根据本公开的第二方面，提供了一种知识图谱的补全方法，包括：获取待补全知识图谱；生成头结点向量、关系向量与尾结点向量；将所述头结点向量、关系向量与尾结点向量输入目标图神经网络，得到所述目标图神经网络输出的相似度结果；在确定所述相似度结果满足预设要求的情况下，根据所述头结点向量、关系向量、尾结点向量与所述待补全知识图谱，完成所述待补全知识图谱的补全。

根据本公开的第三方面，提供了一种图神经网络的训练装置，包括：第一获取单元，用于获取知识图谱，根据所述知识图谱得到多个训练样本与多个训练样本的标注结果，每个训练样本为由所述知识图谱中的头结点、关系与尾结点构成的三元组；处理单元，用于得到所述多个训练样本中头结点的头结点向量、关系的关系向量与尾结点的尾结点向量；构建单元，用于构建包含语义层、卷积层与输出层的初始图神经网络，所述卷积层用于根据所述语义层输出的头结点语义向量与关系语义向量得到卷积向量；训练单元，用于使用多个训练样本的头结点向量、关系向量、尾结点向量与多个训练样本的标注结果对所述初始图神经网络进行训练，得到目标图神经网络。

根据本公开的第四方面，提供了一种知识图谱的补全装置，包括：第二获取单元，用于获取待补全知识图谱；生成单元，用于生成头结点向量、关系向量与尾结点向量；确定单元，用于将所述头结点向量、关系向量与尾结点向量输入目标图神经网络，得到所述目标图神经网络输出的相似度结果；补全单元，用于在确定所述相似度结果满足预设要求的情况下，根据所述头结点向量、关系向量、尾结点向量与所述待补全知识图谱，完成所述待补全知识图谱的补全。

根据本公开的第五方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方法。

根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行如上所述的方法。