[发明专利]知识表示学习方法及装置、电子设备、存储介质

说明书

本公开提供了一种知识表示学习方法及装置、电子设备、存储介质，涉及知识图谱技术领域。该知识表示学习方法包括：获取知识图谱对应的三元组数据，所述三元组数据包括源实体、目标实体以及所述源实体和所述目标实体之间的关系；对所述三元组数据中的所有实体进行语义分层，得到实体分层数据；将所述实体分层数据输入到知识表示学习模型中，对所述知识表示学习模型进行训练，得到所述知识图谱中实体与关系之间的分布式向量表示。本公开实施例的技术方案对知识图谱进行实体语义分层后实现知识表示学习，能够使得到的实体与关系之间的分布式向量表示更加准确，有效提升知识表示学习模型对知识图谱的链接预测的准确性。

技术领域

本公开涉及知识图谱技术领域，具体而言，涉及一种知识表示学习方法、知识表示学习装置、电子设备以及计算机可读存储介质。

背景技术

随着科学技术的发展，人们需要处理的数据量越来越大，知识图谱(KnowledgeGraph)越来越得到人们的关注。知识图谱将复杂的知识领域通过数据挖掘、信息处理、知识计量和图形绘制而显示出来，揭示知识领域的动态发展规律，为学科研究提供切实的、有价值的参考。

表示学习(Representation Learning)旨在将研究对象的语义信息表示为低维稠密的实值向量。知识表示学习则面向知识库中的实体和关系进行表示学习，知识表示学习技术可以在低维空间中高效计算实体和关系的语义联系，有效解决数据稀疏问题，使得知识获取、推理和融合的性能得到显著的提升。

目前，相关的知识表示学习技术中，要么无法对知识图谱中的实体在语义层次进行建模，导致对于实体语义量级不匹配的知识图谱的构建准确率较低；要么需要为其提供额外的数据以获得层次结构信息，无法自动有效地对语义层次进行建模，导致工作量较大。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开实施例的目的在于提供一种知识表示学习方法、知识表示学习装置、电子设备以及计算机可读存储介质，进而至少在一定程度上提高知识表示学习模型在语义层次的表达准确性，提升知识图谱创建或者知识图谱补全的准确率，同时降低实现实体语义分层时的工作量。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开实施例的第一方面，提供了一种知识表示学习方法，包括：

获取知识图谱对应的三元组数据，所述三元组数据包括源实体、目标实体以及所述源实体和所述目标实体之间的关系；

对所述三元组数据中的所有实体进行语义分层，得到实体分层数据；

将所述实体分层数据输入到知识表示学习模型中，对所述知识表示学习模型进行训练，得到所述知识图谱中实体与关系之间的分布式向量表示。

在本公开的一些示例实施例中，基于前述方案，所述对所述三元组数据进行语义分层，得到目标三元组数据，包括：

提取所述源实体、所述目标实体构成实体集合，提取所述关系构成关系集合；

确定所述实体集合中实体对应的实体向量，确定所述关系集合中关系对应的关系向量；

以极坐标的形式对所述实体向量以及所述关系向量进行语义分层，得到实体分层数据。

在本公开的一些示例实施例中，基于前述方案，所述以极坐标的形式对所述实体向量以及所述关系向量进行语义分层，包括：

获取所述实体向量对应的模数属性，并根据所述模数属性对所述实体向量在不同语义层次上进行区分；

获取所述实体向量对应的相位属性，并根据所述相位属性对所述实体向量在相同语义层次上进行区分。