[发明专利]基于神经网络的知识图谱补全方法

摘要

本发明实施例提供的一种基于神经网络的知识图谱补全方法，涉及自然语言处理技术领域，其包括：S1、在嵌入层将知识图谱K中的三元组(s，r，o)转换为句子[s r o]，利用向量表示技术把句子[s r o]转换为k维稠密向量表示形式xi＝[vs，vr，vo]；S2、在循环层利用BiLSTM网络从输入特征向量xi中学习句子的长期依赖性，得到循环层特征向量hRNN；S3、在卷积层利用卷积神经网络从特征向量hRNN中学习局部结构信息，得到卷积层特征向量hCNN；S4、在全连接层将卷积层特征向量hCNN转化为每一个三元组(s，r，o)的得分。该知识图谱补全方法在不依靠任何外部数据的情况下，利用循环和卷积神经网络捕获知识图谱中事实的长期依赖性和局部结构信息，同时保留实体和关系的传递特征，学习能力更高。

主权项

1.一种基于神经网络的知识图谱补全方法，其特征在于，定义知识图谱K＝{E,R，T}，E代表实体，R代表实体之间的关系集合，T＝(s，r，o)为三元组，T代表知识图谱K中若干正确的事实，s∈E表示主语，o∈E表示宾语，r∈R表示主语和宾语之间的关系，该方法包括以下步骤：S1、在嵌入层将知识图谱K中的三元组(s，r，o)转换为句子[s r o]，利用向量表示技术把句子[s r o]转换为k维稠密向量表示形式x_i＝[v_s，v_r，v_o]，其中x_i表示由知识图谱K中第i个三元组转换而成的句子特征向量，v_s，v_r，v_o分别表示s，r，o的k维向量；S2、在循环层利用BiLSTM网络从输入特征向量x_i中学习句子的长期依赖性，得到循环层特征向量h_RNN；S3、在卷积层利用卷积神经网络从特征向量h_RNN中学习局部结构信息，得到卷积层特征向量h_CNN；S4、在全连接层将卷积层特征向量h_CNN转化为每一个三元组(s，r，o)的得分。