[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

说明书

该发明专利名为“一种基于关系嵌入和卷积神经网络的知识图谱补全方法”。通过将知识图谱中三元组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TransE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，该发明有效提高了基于知识图谱智能问答系统数据库的准确性和完整性。

所属技术领域

本发明属于知识图谱领域，涉及深度学习、卷积神经网络、关系嵌入的知识图谱补全方法(Knowledge graph Completion based on Relational Embedding and CNN，KGCRC)，实现了知识图谱的自动补全模型，提高了基于知识图谱智能问答系统知识库的完整性和准确性。

背景技术

知识图谱是一种用图数据模型来描述现实世界信息以及信息之间联系的结构化的复杂语义网络，其数据通常以三元组(h,r,t)的形式进行存储。在知识图谱网络中，节点用来表示现实中的事实实体，节点之间的边用来表示实体之间的关系，其结构形式能更好地与智能问答系统相结合，更加适合作为智能问答系统的数据来源，在提高专业知识集成效率的同时又能降低获取知识门槛，具有很强的人机交互性，所以被广泛地应用于智能问答系统，智能推荐系统和聊天机器人。但知识图谱具有天生的不完整性，因此需要对知识图谱进行补全，知识图谱补全是伴随着知识图谱构建而产生的，目的是向知识图谱中增加新的三元组，从层次上区分可分为概念层次和实例层次。但传统的知识图谱补全模型仅仅关注了三元组的结构信息或局部特征信息，仍将三元组的各个节点当做相互独立的部分忽视了三元组整体信息这一影响知识图谱补全最终结果的重要因素，导致知识图谱补全的效果不佳，从而使知识图谱无法更好地应用于智能问答系统。本发明结合知识图谱的数据复杂特性，提出了基于关系嵌入和卷积神经网络的知识图谱补全KGCRC方法，通过基于知识图谱的花椒种植智能问答系统(Zanthoxylum bungeanum Knowledge Graph QA System)在仿真和实际环境中实现对知识图谱的补全，提高知识图谱数据库的完整性和准确性，该发明对促进基于知识图谱的智能问答系统发展颇具现实意义。

发明内容

本发明的目的是提供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，可以通过对知识图谱的数据进行深层特征进行提取，充分挖掘三元组的整体信息，从而提高智能问答系统知识图谱补全的精确率和鲁棒性。为实现上述目的，本发明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。

本发明解决其技术问题所采用的技术方案是处理器为Inter Core i7-4790H,内存容量为16GB，Windows 10操作系统，开发软件为PyCharm 2021.2.2，使用Python语言编写。

本发明的有益效果是，有效提高基于知识图谱智能问答系统数据库的完整性和准确性，在保证智能问答系统运行稳定的同时降低用户的知识获取门槛。

附图说明

图1基于知识图谱的花椒种植智能问答系统架构图

图2花椒种植智能问答系统知识图谱补全流程图

图3 KGCRC算法模型图

具体实施方案

下面结合附图，对发明作进一步详细说明。