一种基于深度学习的知识图谱补全方法及装置

摘要: 本发明属于知识图谱,具体涉及一种基于深度学习的知识图谱补全方法及装置。背景技术:1、随着知识图谱在智能检索、知识推理和辅助决策等领域的应用不断扩大,知识图谱中实...
一种基于深度学习的知识图谱补全方法及装置

本发明属于知识图谱,具体涉及一种基于深度学习的知识图谱补全方法及装置。

背景技术:

1、随着知识图谱在智能检索、知识推理和辅助决策等领域的应用不断扩大,知识图谱中实体及关系信息的完整性直接影响后续知识应用效果,由于知识获取和更新过程中容易出现实体关系缺失,通常采用基于深度学习的知识图谱补全方法,对知识图谱中的缺失实体或缺失关系进行预测,该类方法一般将知识图谱中的实体和关系转换为向量表示,利用图神经网络对待补全实体周围的邻接实体及关系进行信息传播和特征聚合,生成待补全实体的特征表示,再将多个候选实体分别与待补全实体及关系组成候选三元组,通过深度学习模型计算各候选三元组的匹配得分,并根据评分结果确定补全实体,实现知识图谱中缺失知识的补充。

2、然而,在实际补全过程中,同一实体通常连接有多种不同语义的邻域信息,而针对不同的关系,真正具有支持作用的邻域信息并不相同,现有按照固定邻域范围进行信息聚合时,容易将与当前关系关联较弱的实体及关系一并引入特征生成过程,使无关邻域信息对待补全实体的特征表示产生干扰;同时,由于知识图谱本身存在信息缺失,当前实体又可能缺少对关系具有较强支持作用的邻域信息,使模型可利用的有效信息不足,在无关邻域信息干扰和有效关联信息不足的共同影响下,生成的实体特征与当前关系的匹配程度降低,容易造成不同候选三元组之间的评分差异减小,进而影响知识图谱补全结果的准确性。

技术实现思路

1、本发明的目的就在于解决知识图谱补全方法中邻域关系贡献区分不足以及补全信息利用不充分而影响知识图谱补全结果准确性的问题,而提出一种基于深度学习的知识图谱补全方法及装置。

2、在本发明实施的第一方面,首先提出一种基于深度学习的知识图谱补全方法,该方法包括:

3、获取知识图谱中的待补全三元组,并从知识图谱中获取关系类型与所述待补全三元组中目标关系类型相同的多个已知三元组;

4、获取已知三元组中实体的多种邻域关系类型,通过预训练的深度学习模型获取各邻域关系类型遮蔽前后已知三元组的评分数据,并基于各邻域关系类型遮蔽前后已知三元组的评分数据生成关系支持谱;

5、获取所述待补全三元组中实体的邻域关系集合,将邻域关系集合与关系支持谱进行匹配,分别确定有效支持关系和支持充分度;

6、根据所述支持充分度和所述有效支持关系,从知识图谱中获取对应的目标支持信息;

7、基于所述目标支持信息,通过预训练的深度学习模型对多个候选实体进行补全评分,得到多个候选实体的候选评分;

8、基于多个候选评分确定目标补全实体,并将所述目标补全实体填充至所述待补全三元组,生成补全三元组。

9、可选地,所述从知识图谱中获取关系类型与所述待补全三元组中目标关系类型相同的多个已知三元组,包括:

10、获取待补全三元组中的已知实体,记为第一实体,并确定第一实体的实体类型和实体位置;

11、从知识图谱中检索关系类型与所述待补全三元组中目标关系类型相同的多个候选三元组;

12、获取多个候选三元组中与第一实体处于相同实体位置的实体,记为第二实体,并确定第二实体的实体类型;

13、将第二实体的实体类型与第一实体的实体类型相匹配的候选三元组确定为已知三元组。

14、可选地,所述通过预训练的深度学习模型获取各邻域关系类型遮蔽前后已知三元组的评分数据,包括:

15、获取已知三元组中第二实体的邻域数据,将所述邻域数据输入预训练的深度学习模型进行编码处理,计算已知三元组的第一评分;

16、依次从已知三元组中第二实体的多种邻域关系类型中选取一种邻域关系类型作为当前邻域关系类型,将邻域数据中属于当前邻域关系类型的关系边设置为不参与编码处理,得到遮蔽后的邻域数据;

17、将所述遮蔽后的邻域数据输入预训练深度学习模型进行编码处理,计算已知三元组的第二评分;

18、将第一评分和第二评分作为各邻域关系类型遮蔽前后已知三元组的评分数据。

19、可选地,所述基于各邻域关系类型遮蔽前后已知三元组的评分数据生成关系支持谱,包括:

20、按照邻域关系类型,对多个已知三元组对应的评分数据进行分类,获取包含所述邻域关系类型的多个已知三元组对应的第一评分和第二评分;

21、分别对多个所述第一评分和多个所述第二评分进行平均处理,得到所述邻域关系类型对应的遮蔽前平均评分和遮蔽后平均评分;

22、比较所述遮蔽前平均评分和所述遮蔽后平均评分,当所述遮蔽前平均评分大于所述遮蔽后平均评分时,将对应的邻域关系类型确定为支持关系;

23、根据多个所述支持关系,生成对应的关系支持谱。

24、可选地,所述分别确定有效支持关系和支持充分度,包括:

25、获取关系支持谱中包含的多种支持关系,并将多种所述支持关系构成支持关系集合;

26、将第一实体的邻域关系集合与所述支持关系集合进行匹配,将同时存在于所述邻域关系集合和所述支持关系集合中的邻域关系确定为有效支持关系;

27、统计所述支持关系集合中的支持关系数量以及所述有效支持关系的数量;

28、计算所述有效支持关系的数量与所述支持关系数量之间的比值,并将所述比值确定为所述待补全三元组的支持充分度。

29、可选地,所述目标支持信息包括第一支持信息和第二支持信息,所述从知识图谱中获取对应的目标支持信息,包括:

30、当所述支持充分度满足预设支持条件时,从所述知识图谱中获取第一实体通过所述有效支持关系连接的邻接实体以及对应关系边,并将所述邻接实体和对应关系边确定为第一支持信息;

31、当所述支持充分度不满足预设支持条件时,确定所述有效支持关系对应的邻接实体,并以所述邻接实体为扩展起点,从所述知识图谱中获取所述邻接实体对应的扩展邻域数据;

32、将第一实体、有效支持关系、有效支持关系对应的邻接实体以及所述扩展邻域数据组成支持子图,并将所述支持子图确定为第二支持信息。

33、可选地,根据第一支持信息得到多个候选实体的候选评分的步骤为:

34、根据第一支持信息,获取第一实体通过多个有效支持关系连接的邻接实体以及对应关系边;

35、将所述第一实体、多个邻接实体以及对应关系边输入预训练的深度学习模型进行编码处理,得到第一实体对应的目标实体特征;

36、根据所述待补全三元组中的目标关系类型和待补全位置,从知识图谱的实体集合中获取多个候选实体;

37、分别将所述目标实体特征、目标关系类型以及各候选实体对应的实体特征输入预训练的深度学习模型进行三元组评分,得到各候选实体对应的候选评分。

38、可选地,根据第二支持信息得到多个候选实体的候选评分的步骤为:

39、获取第二支持信息对应的支持子图;

40、将所述支持子图输入预训练的深度学习模型进行多层编码处理,使支持子图中的邻域信息沿关系边传递至第一实体,得到第一实体对应的扩展实体特征;

41、根据待补全三元组中的目标关系类型和待补全位置,从知识图谱的实体集合中获取多个候选实体;

42、分别将所述扩展实体特征、目标关系类型以及各候选实体对应的实体特征输入预训练的深度学习模型进行三元组评分,得到多个候选实体对应的候选评分。

43、可选地,所述基于多个候选评分确定目标补全实体,包括:

44、比较多个候选实体对应的候选评分,将候选评分最大的候选实体确定为目标补全实体。

45、在本发明实施的第二方面,提出一种基于深度学习的知识图谱补全装置,包括:

46、获取模块,用于获取知识图谱中的待补全三元组,并从知识图谱中获取关系类型与所述待补全三元组中目标关系类型相同的多个已知三元组;

47、谱构模块,用于获取已知三元组中实体的多种邻域关系类型,通过预训练的深度学习模型获取各邻域关系类型遮蔽前后已知三元组的评分数据,并基于各邻域关系类型遮蔽前后已知三元组的评分数据生成关系支持谱;

48、匹配模块,用于获取所述待补全三元组中实体的邻域关系集合,将邻域关系集合与关系支持谱进行匹配,分别确定有效支持关系和支持充分度;

49、支持模块,用于根据所述支持充分度和所述有效支持关系,从知识图谱中获取对应的目标支持信息;

50、评分模块,用于基于所述目标支持信息,通过预训练的深度学习模型对多个候选实体进行补全评分,得到多个候选实体的候选评分;

51、补全模块,用于基于多个候选评分确定目标补全实体,并将所述目标补全实体填充至所述待补全三元组,生成补全三元组。

52、本发明的有益效果:

53、1.本发明通过对同一目标关系类型下多个已知三元组进行邻域关系遮蔽分析,根据不同邻域关系参与和不参与实体编码时的评分变化生成关系支持谱,使知识图谱补全过程中不同邻域关系对于目标关系预测的支持作用能够被量化区分,避免无差别利用全部邻域信息导致弱相关关系引入特征干扰,提高实体关系特征表示的针对性。

54、2.本发明通过将待补全实体的实际邻域关系集合与关系支持谱进行匹配,确定有效支持关系,并基于有效支持关系数量与支持关系总量计算支持充分度,使模型能够根据当前实体已有结构信息判断可利用支持信息的完整程度;在支持充分时采用有效支持关系对应的一跳邻域结构,在支持不足时进一步沿有效支持关系扩展获取关联结构,提高知识图谱稀疏场景下实体关联信息的利用能力。

55、3.本发明通过根据不同支持充分状态构建对应的目标支持信息,并利用预训练深度学习模型对目标支持信息进行编码,生成包含目标关系相关结构语义的实体特征,再结合候选实体评分完成补全,使候选实体评价过程能够基于更具关联性的知识图谱结构信息进行判断,提高缺失实体预测结果的准确性和可靠性。