[发明专利]基于多粒度注意力网络的图立方链接预测方法

说明书

本发明公开了一种基于多粒度注意力网络的图立方链接预测方法，包括：对待补全的图立方进行加载，获得图立方中的实体和关系；对加载的实体和关系进行初始化，得到初始实体嵌入向量和初始关系嵌入向量；将初始实体嵌入向量和初始关系嵌入向量输入多头自注意力神经网络中，更新各多元关系的实体嵌入向量和关系嵌入向量；将更新后的实体嵌入向量和关系嵌入向量输入到HPMG模型中进行训练；通过评分模块对每个多元关系评分，根据评分指标来判断多元关系的评分结果是否正确：若正确，则将正确的多元关系添加到图立方中，补全图立方，若错误，则将错误的多元关系舍弃。本发明从多粒度的角度对多元关系进行评分，提升了链接预测的准确率。

技术领域

本发明涉及图立方技术领域，具体涉及一种基于多粒度注意力网络的图立方链接预测方法。

背景技术

知识图谱补全是改善知识图谱质量的核心问题，而在知识图谱中进行链接预测是图谱补全的有效方法。现有的知识图谱链接预测大多数仅仅考虑预测二元关系，然而现实生活中的关系往往是多元的。包含多元关系的图可以称为知识超图，为突出知识超图的立体性，本发明称知识超图为图立方。其中每一个多元关系可以由超边建模，图立方链接预测旨在预测超图中缺失的多元关系，以实现图立方补全、改善图谱质量。

现有图立方链接预测大量使用了基于嵌入表示模型的方法，这类方法的优点是可以将复杂的数据结构映射到欧式空间，转化为向量化表示，更容易发现关联关系，完成推理。现有方法的一种思路是将多元关系转化为多个二元关系建模，但是这样建模多元关系中的实体建模存在先后、主次之分；还有一种思路是直接建模多元关系，这种模型中虽然关系已经是多维度建模，但是没有考虑2到m-1维度的多元关系表达，因此在预测中会缺失大量少于m维的关系。

发明内容

本发明为了克服以上技术的不足，提供了一种基于多粒度注意力网络的图立方链接预测方法。

术语解释:

1、HPMG：Knowledge Hypergraph Link Prediction based on Multi-GranularAttention Network，基于多粒度神经网络的图立方预测。

2、ATT：Attention module，注意力模块。

3、MFF：Multi-feature fusion，多特征融合。

4、MRR：Mean Reciprocal Rank，平均倒数排名。

本发明首先通过二维卷积分别学习每个关系粗粒度的超边特征和δ-细粒度的实体特征，然后基于上一步获取的粗粒度特征、δ-细粒度特征分别进行粗粒度评分和δ-细粒度评分，最后对得到的粗粒度评分和δ-细粒度评分结果进行加权求和操作，计算出每个关系的最终评分，完成链接预测。进一步引入了一种基于注意力机制的多特征融合方法MFF，完成HPMG模型中m个实体的细粒度特征融合任务，进一步提升链接预测准确率。

本发明克服其技术问题所采用的技术方案是：

一种基于多粒度注意力网络的图立方链接预测方法，其特征在于，用于对图立方中的未知多元关系进行推理预测，至少包括步骤：

S1、对待补全的图立方进行加载，获得图立方中的实体和关系；

S2、对步骤S1加载获得的实体和关系进行初始化，得到初始实体嵌入向量和初始关系嵌入向量；

S3、将步骤S2得到的初始实体嵌入向量和初始关系嵌入向量输入多头自注意力神经网络中，更新各多元关系的实体嵌入向量和各多元关系的关系嵌入向量；