[发明专利]一种基于结构特征高阶逻辑知识图谱表示学习方法

权利要求书

1.一种基于结构特征高阶逻辑知识图谱表示学习方法，其特征在于，该基于结构特征高阶逻辑知识图谱表示学习方法从知识图谱中，分别挖掘高阶逻辑关系特征和实体属性特征，将二者进行特征聚合，用于获得链路预测和实体分类结果；具体步骤如下：

S1：对知识图数据进行高阶逻辑关系特征表示：定义模体度矩阵，提取知识图中节点邻域结构的模体度矩阵；定义关系为邻域的节点属性和网络结构，将每个关系中实体模体度矩阵作为高阶逻辑关系特征；

S11：定义高频率出现的网络子结构为模体；不同模体包含不同的关系特征；实体模体度为E_md，表示该模体的个数，用于定义模体表示关系特征的能力；定义实体为E，模体为M，实体模体度矩阵为M_d；

其中，n为式(1)中实体的数量，t为式(2)中的模体数量；

实体数量从小到大排序，其中数值小于前20％的实体，随机生成实体模体度矩阵；

S12：对实体模体度矩阵按列进行归一化处理；

S13：知识图中的语义信息向两个方向流动，在实体关系集合R中添加反边；知识图中的每个实体添加自循环；

最终获得优化后的实体关系集合R′：

其中，R_inv为反边的集合，定义为：R_inv＝{r^-1|r∈R}；是自循环的集合；

S2：同时对实体属性特征和高阶逻辑关系进行特征表示；

S21：对于高阶逻辑关系特征，定义实体关系r的特征矩阵定义实体属性特征矩阵M_a，在每个关系中相同；使用图卷积网络获得高阶逻辑关系特征和属性特征的表示；每个关系的单卷积层公式如下：

其中，W_a和W_s是可学习参数；l为神经网络的层数；|n|代表实体个数，H_s代表实体的网络结构特征矩阵，H_a代表实体的节点属性特征，A为邻接矩阵，代表矩阵中，第i行第j列的参数；

各关系的实体更新公式如下：

其中，是第n个实体的邻居数；

W_s和W_a具体为：

其中，a_sb，a_ab，V_sb，V_ab是可训练的权重，B是超参数，根据基分解，将待学习参数的数目减至其中，|R′|是关系的个数，

S3：聚合实体属性特征和高阶逻辑关系特征；采用哈达玛积、求和聚合器与串联三种不同的聚合方法进行特征聚合，获得不同的聚合效果；

S31：采用哈达玛积聚合，将高阶逻辑关系特征矩阵和实体属性特征矩阵相乘；计算公式如下：

S32：采用串联，将高阶逻辑关系特征矩阵与实体属性特征矩阵进行连接；计算公式如下：

S33：采用求和聚合器，将高阶逻辑关系特征矩阵与实体属性特征矩阵的对应元素相加；计算公式如下：

S4：整体框架

知识储备的总体过程表述如下：

其中，AGG表示聚合方式。