[发明专利]一种改进的基于Node2vec的知识图谱向量表示方法

摘要

本发明公开了一种改进的基于Node2vec的知识图谱向量表示方法，其方法为：步骤一、重构知识图谱G’＝(E,R,L)；步骤二、转移概率设定；步骤三、游走路径设定；步骤四、根据节点的种类以及节点所处的位置设定训练模型；步骤五、训练参数优化；步骤六、通过多次训练，输出节点的向量化表示。本发明的有益效果：结合重构的知识图谱结构，进行反复训练，将游走序列按照实体与关系交叉游走的方式，可以充分地训练得到节点的语义信息，在获取网络拓扑结构的同时，也可获取到其性质意义。将同质性结构网络更改为异构性结构网络，更适应知识图谱网络结构的特点，游走序列与自然语言结构更为贴近，预测结果更加准确。

主权项

1.一种改进的基于Node2vec的知识图谱向量表示方法，其特征在于：其方法如下所述：/n步骤一、重构知识图谱G’＝(E,R,L)，其中E是原知识图谱网络中的实体型节点集合，R是从原结构中关系集合抽取构成的关系型节点，L则是链接实体节点与关系节点或是体节点与实体节点的边，不存在实际意义，现给出重构的知识图谱网络结构的定义如下：/n定义1：对于重构知识图谱G，存在两类节点，分别是关系型节点与实体型节点，关系型节点之间不会存在任何链接，实体型节点与关系型节点之间的链接是最普遍的链接，两个实体节点之间会存在链接；/n步骤二、转移概率设定：为了将node2vec模型适用于知识图谱，已将知识图谱网络结构进行了同质化改进，用关系型节点取缔边的标签，节点种类由单一类型变为实体以及关系类型两种节点，游走策略也需要被改进，针对不同种类的节点，游走策略也不同，与普通的社会网络相比，知识图谱网络具有一定特性，节点多数以“实体-关系-实体”序列存在，根据这一规则给出假设1，具体如下：/n假设1：知识图谱中的节点上下文具有较强的规则性，对于实体节点而言，其最邻近上下文节点多数为关系型节点，对于关系型节点而言，其最邻近上下文节点只可以为实体类型节点；/n针对不同节点类型给出不同的节点游走策略；/n实体节点：若当前节点是实体型节点S