[发明专利]一种基于任意维度超复数嵌入的知识图谱表示方法

权利要求书

1.一种基于任意维度超复数嵌入的知识图谱表示方法，其特征在于，所述方法包括以下步骤：

步骤1、知识图谱数据预处理，将传统知识图谱根据模型需求预处理为结构化数据；

步骤2、利用深度学习框架pytorch构造初步嵌入，并构建新的线性层，即超复数嵌入线性层，在图谱上学习实体和关系的向量表示；

步骤3、用知识图谱校验集进行校验，调整到最佳网络参数；

步骤4、对知识图谱测试集进行测试，统计测试结果，利用MR(Mean Rank)，MRR(MeanReciprocal Ranking)，HIT10(链接预测中排名小于10的三元组的平均占比)评价指标对模型进行评估。

2.根据权利要求1所述的基于任意维度超复数嵌入的知识图谱表示方法，其特征在于，步骤1具体如下：首先对不同领域的知识图谱进行预处理为五个文件，处理后的文件包括知识图谱三元组训练集，知识图谱三元组验证集，知识图谱三元组测试集，实体ID集合，关系ID集合。

3.根据权利要求1所述的基于任意维度超复数嵌入的知识图谱表示方法，其特征在于，步骤2具体如下：首先将步骤1得到的知识图谱中的实体和关系嵌入为初始向量，为接下来的训练做准备，构建超复数嵌入(Hypercomplex Embedding)线性层，即HyperE层，由输入得到n元数的初始嵌入结果I，n为设定元数，I的维度被n整除

I＝[I₁,I₂,I₃,…,I_n]#(1)

I₁表示n元数嵌入的实部部分，I_i,i∈[2,3,…,n]表示n元数嵌入的虚部部分，把这n个部分按照给定轴相接构成向量I，作为HyperE层的输入，HyperE层采用与标准平移模型相同的形式：y＝HyperE(x)＝Ux+b，关键思想是通过Kronecker积的和，将U构造为参数矩阵，其中x为输入的待训练的嵌入向量，b为偏置，得到y为实体或关系的嵌入向量；

计算正负样本的得分，并通过得分计算出每一批数据的损失来进行迭代优化。

4.根据权利要求2所述的一种基于超复数嵌入的知识图谱嵌入方法，其特征在于，步骤1中所述的预处理操作，操作具体为：将整个知识图谱三元组数据集按照8：1：1随机分割为训练集、验证集和测试集，并输出整个知识图谱的实体对应ID和关系对应ID。

5.根据权利要求3所述的一种基于任意维度超复数嵌入的知识图谱表示方法，其特征在于，步骤2中所述的构建超复数线性层HyperE操作，操作具体为：

获得知识图谱中的实体嵌入和关系嵌入，对于任意三元组有头实体h，关系r和尾实体t，接下来由HyperE层将实体和关系嵌入转换为高阶嵌入，y＝HyperE(x)＝Ux+b，通过Kronecker积的方式根据不同的元数构造不同的学习矩阵U，Kronecker积将向量外积推广到矩阵，设定X∈R^m*n,Y∈R^p*q，Kronecker积为：

其中x_ij＝(X)_i,j，设n为超复数嵌入HyperE的维度，k为用户定义的超参数，表示实体和关系嵌入的维度，上文所述的U矩阵由n个Kronecker积得到：

其中C_i∈R^n*n表示贡献矩阵，表示分量权重矩阵，同时k也表示线性变换的输入输出大小，贡献矩阵C_i选择为满秩矩阵，其行列是线性独立的，所有元素均属于{-1,0,1}，设

对角线上为1和-1交替出现，将每个贡献矩阵C_i初始化为矩阵与循环置换矩阵P_n的幂之间的乘积，循环置换矩阵P_n的作用为右移的列，

其中当j-1＝1且i＝n,j＝1时，(P_n)_i,j＝1，此外所有项全部为0；

当n＝2时，设定

当n＝4时，设定