[发明专利]一种基于关系嵌入和卷积神经网络的知识图谱补全方法

权利要求书

1.一种基于关系嵌入和卷积神经网络的知识图谱补全方法KGCRC，包括融合不同嵌入向量形成新的向量表示，利用不同大小卷积核提取向量矩阵的深层特征信息。即将知识图谱中的实体和关系视为翻译的过程，并通过最有代表性的平移距离模型来训练数据得到实体和关系的嵌入向量。其次通过融合不同嵌入向量形成新的向量表示，并与融合前的嵌入向量组成向量矩阵，提高知识图谱三元组整体信息特征的表达。使用不同大小卷积核提取向量矩阵的深层特征信息，将不同卷积核提取到的不同维度的特征结果接入全连接层，得到最终的分数，以此来判断知识图谱三元组是否合理，有效提高了基于知识图谱智能问答系统数据库的准确性。

2.根据权利要求1所述融合不同嵌入向量形成新的向量表示。其特征在于：将知识图谱三元组数据转化为一个k维3列的向量矩阵。其转化方式如式(1)所示。不同向量之间的融合方式如式(2)、式(3)、式(4)所示。利用向量融合的方式使得三元组各个结点之间的信息进行交互，从而提高知识图谱三元组信息的表达能力。

v_hr＝w(v_h+v_r)+b (2)

v_ht＝w(v_h+v_t)+b (3)

v_rt＝w(v_r+v_t)+b (4)

3.根据权利要求1所述利用不同大小卷积核提取向量矩阵的深层特征信息。其特征在于：为了使三元组信息的局部特征和全局特征进行重复的表达。使用3x3，4x4，5x5，6x6四个不同大小的卷积核提取向量矩阵A′＝[v_h,v_hr,v_r,v_rt,v_t,v_ht]的特征。使用式(5)来更新特征提取过程中的参数，使用式(6)来计算三元组的最终得分。

f(h,r,t)＝concat(g([v_h,v_hr,v_r,v_rt,v_t,v_ht]*Ω))·w (6)