[发明专利]融合实体类型信息的知识图谱推理方法、装置、设备及存储介质

说明书

本发明公开了一种融合实体类型信息的知识图谱推理方法、装置、设备及存储介质，该方法包括：将实体嵌入矩阵、关系嵌入矩阵和实体类型嵌入矩阵输入推理模型中分别提取头实体向量、关系向量和头实体类型向量，并生成推理模型的卷积核；将推理模型的卷积核对头实体向量进行卷积，生成推理模型的隐藏层；将隐藏层经过推理模型的全连接层后，生成混合特征向量；将混合特征向量与实体嵌入矩阵相乘，并采用sigmoid激活函数进行归一化处理，输出推理结果。本发明将实体类型嵌入和关系嵌入相融合，用融合后的特征向量对头实体进行卷积，能够捕获实体、实体类型和关系的内在联系，有效提升了推理结果的实体类型正确率。

技术领域

本发明涉及知识图谱技术领域，具体涉及一种融合实体类型信息的知识图谱推理方法、装置、设备及存储介质。

背景技术

知识图谱是一种以图结构存储和组织、由实体和关系构成的知识表示方法，可以将现实事物之间的关系以图的形式表示，已经应用于多个专业领域。由于事物关系的复杂性和认识的局限性，且一般情况下构建的知识图谱规模较为巨大，因此不可避免地会出现知识图谱信息不全的情况，在一定程度上限制了知识图谱的实际应用。知识图谱推理技术可以利用知识图谱中已有的知识，推理出目前知识图谱中缺失或隐藏的知识，从而完善知识图谱。

目前，基于表示学习的知识推理算法是知识图谱推理技术的主流方法，是将知识图谱中的实体和关系进行数值化表示，然后将实体和关系先转换为向量，再进行相应的数值计算，从而预测知识图谱中三元组的准确度。虽然这种推理算法在多项推理任务中取得了最优表现，但是对于知识推理的实际应用还远远不足，正确率不高，难以令人满意。而且，基于表示学习的知识推理算法只计算实体和关系之间的评分，缺少对推理结果实体类型的约束，导致推理结果中大量实体的类型不符合要求。

需要注意的是，本部分旨在为权利要求书中陈述的本公开的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

发明内容

本发明实施例提供一种融合实体类型信息的知识图谱推理方法、装置、设备及存储介质，以解决现有技术中基于表示学习的知识推理算法存在的正确率不高、推理结果中大量实体的类型不符合要求等问题。

第一方面，本发明实施例提供一种融合实体类型信息的知识图谱推理方法，包括：

将知识图谱中的三元组集合转换为与所述三元组集合对应的向量矩阵，转换后的三元组集合包括实体嵌入矩阵、关系嵌入矩阵和实体类型嵌入矩阵；

将所述实体嵌入矩阵、所述关系嵌入矩阵和所述实体类型嵌入矩阵输入推理模型中分别提取头实体向量、关系向量和头实体类型向量，并将所述关系向量和所述头实体类型向量按顺序通过LSTM网络生成所述推理模型的卷积核；

将所述卷积核对所述头实体向量进行卷积，生成所述推理模型的隐藏层；

将所述隐藏层经过所述推理模型的全连接层后，生成混合特征向量，所述混合特征向量的维度与所述三元组集合包括的实体数量相同；

将所述混合特征向量与所述实体嵌入矩阵相乘，并采用sigmoid激活函数进行归一化处理，使所述推理模型输出推理结果。

作为本发明第一方面的优选方式，在所述将知识图谱中的三元组集合转换为与所述三元组集合对应的向量矩阵之前，还包括：

获取待处理的知识库后，提取所述知识图谱中的实体集合、关系集合和实体类型集合，并根据所述实体集合、所述关系集合和所述实体类型集合生成所述知识图谱的三元组集合。

作为本发明第一方面的优选方式，所述三元组集合包括正向三元组以及与所述正向三元组对应的反向三元组。

作为本发明第一方面的优选方式，在所述将知识图谱中的三元组集合转换为与所述三元组集合对应的向量矩阵之后，还包括：