[发明专利]一种基于神经符号增强的知识库复杂查询方法

说明书

本发明公开了一种基于神经符号增强的知识库复杂查询方法，利用关系映射操作中符号和神经单独推理并且互相转化的方式缓解图谱不全和多不推理中级联误差的问题，然后使用符号表示的上完成逻辑计算，并且转为嵌入表示，可以采用任何已知的神经推理方法代替框架中神经推理的部分，具有较强的扩展性。同时仅仅需要链接预测任务训练知识表示模型即可完成复杂逻辑的查询。该方法对于在知识图谱中表示中复杂逻辑问句的推理和查询具有很好的实用价值。

技术领域

本发明属于数据查询与处理技术领域，具体涉及在知识图谱中基于神经和符号互相增强的复杂逻辑查询方法。

背景技术

知识图谱近年来受到了工业界极大的重视，在很多领域都有了成功的应用，例如搜索引擎，智能客服，语音机器人等。很多大型知识图谱被逐渐构建起来，例如GoogleKnowledge Graph、以及开放的Freebase、Yago等。知识图谱主要包含实体、关系和三元组，每一个三元组表示一条知识，即两个实体之间存在某一种关系，用(h,r,t)表示，其中h，t分别表示头实体和尾实体，r表示关系，例如(杭州，位于国家是，中国)即表示了“杭州位于中国”这样一条知识。

在知识图谱中，复杂逻辑查询是一种针对数据查询所提出的方法。所谓复杂查询，即在查询过程中运用各种逻辑操作符号，例如与、或、非以及它们的组合在知识图谱中进行包含逻辑组合的查询。其与一般的知识图谱补全相比，需要进行的任务更加复杂，例如(杭州，位于国家是，X)作为一个典型的知识图谱补全样例，仅仅需要进行一步的推理就可以得到X的答案。但是作为一个复杂查询来说，其问题可能是“沿海的省会城市有哪些”，转换为逻辑表达式是‘(X，位于，沿海地区)∧(X，级别，省会城市)’。类似于这样通过与、或、非等逻辑符号将简单的单步推理链接起来进行逻辑查询或者多步查询的被称之为知识图谱上的复杂查询。

在电商场景下，基于电商知识图谱的搜索查询被迫切需要，传统的通过遍历方式查找答案的方法虽然能够找到电商知识图谱确实存在的答案，但是由于电商知识图谱本身不全的问题，对于那些理论上正确，但是对于缺少了某个或多个关系标注的实体答案来说，则完全不可能找到。同时这类方法随着电商知识图谱规模的扩大，会导致查询时间不断增长。因此目前研究电商知识图谱上的复杂查询方法都是基于表示学习的方法，其核心思想是为每一个实体和关系学习一个向量空间中的表示，在进行复杂逻辑查询时会根据查询语句得到一个同样空间中的答案表示，最后通过这些表示之间的计算完成隐式的推理。

已有的知识图谱复杂逻辑查询方法基本都在专注于缓解电商知识图谱不全的问题并且支持不同的逻辑操作符，但是复杂查询因为其需要进行多步推理的特性，级联误差也是不得不需要考虑的问题。所谓级联误差即通过表示学习进行的推理计算在一步推理中产生的误差会积累到下一步，因此在进行了多步推理以后，最终的答案表示会因为累积的误差与正确答案的表示相差较远。

发明内容

鉴于上述，本发明的目是提供一种基于神经符号增强的知识库复杂查询方法，能够降低通过知识表示查找产生的级联误差，在缓解电商知识图谱不全的问题同时还支持不同的逻辑操作符运算，适配各类知识表示模型的知识表示学习，提升复杂查询的准确性。

为实现上述发明目的，实施例提供的一种基于神经符号增强的知识库复杂查询方法，包括以下步骤：

步骤1，接收关于商品查询的逻辑表达式，其中，逻辑表达式通过逻辑操作连接缺失三元组形成；

步骤2中，利用参数优化的知识表示模型学习逻辑表达式中缺失三元组中已知实体和关系的嵌入表示，同时初始化逻辑表达式中初始实体的符号表示，符号表示中每个元素代表对应实体的概率值；

步骤3，对于逻辑表达式中缺失三元组，基于实体的嵌入表示和符号表示进行缺失三元组的关系映射推理，以预测缺失三元组中缺失实体的嵌入表示和符号表示，利用缺失实体的嵌入表示补充缺失实体的符号表示，并利用补充后的符号表示修正缺失实体的嵌入表示；