基于蚁群信息素的异质知识图谱元路径推理方法及系统

本发明涉及自然语言处理，具体涉及基于蚁群信息素的异质知识图谱元路径推理方法及系统。

背景技术：

1、异质信息网络（heterogeneous information network，hin）和异质知识图谱（heterogeneous knowledge graph，hkg）是对真实世界多类型实体及多类型关系进行建模的重要数据结构，广泛应用于推荐系统、关系预测、垂直领域问答等任务。在异质图上进行语义感知的图神经网络学习时，元路径（meta-path）是连接不同类型节点的关键语义结构，其定义为：在节点类型序列  上的关系组合，高质量元路径能够捕获跨语义的长程依赖，对于下游任务至关重要。

2、然而，现有方法存在以下不足：

3、（1）人工定义依赖专家知识：元路径通常由领域专家手工指定，在节点/关系类型数量较多（如文化遗产知识图谱中包含数十种实体类型）时，枚举所有候选元路径的计算复杂度呈指数级增长，且严重依赖人工先验。

4、（2）搜索空间爆炸：对于具有  种节点类型和  种关系类型的异质图，长度为  的候选元路径数量约为 ，传统强化学习或遗传算法方法在大规模图上面临严重的搜索空间爆炸问题。

5、（3）缺乏动态信息素反馈机制：已有元路径搜索方法（如nas-based方法、强化学习方法）缺乏对路径探索历史的有效积累与利用，容易陷入局部最优。

6、（4）语义评估标准单一：现有方法通常以下游任务准确率作为单一评估信号，忽视了路径语义多样性、路径对称性等图结构先验，导致发现的元路径集合存在冗余。

7、因此，亟需一种能够在异质知识图谱中自适应、高效且具备语义多样性的元路径自动发现方法。

技术实现思路

1、为了解决上述问题，本发明提出了基于蚁群信息素的异质知识图谱元路径推理方法及系统，通过构建类型模式图并利用蚁群信息素机制引导蚂蚁游走生成候选元路径，经分层信息素更新迭代优化及语义去冗余，自动发现高质量元路径，实现基于用户的输入进行知识图谱推理，得到起始实体与目标类型实体之间的语义关联。

2、一方面，基于蚁群信息素的异质知识图谱元路径推理方法，包括：

3、s1，基于输入的异质知识图谱，构建包括实体节点类型和实体关系类型的类型模式图，在类型模式图的每条有向边上初始化信息素浓度；

4、s2，将类型模式图作为蚁群游走图，部署多只虚拟蚂蚁在类型模式图上进行随机游走，基于当前的信息素浓度和启发函数联合生成每步转移概率，蚂蚁游走过程中在经过的有向边上释放信息素并基于每步转移概率生成候选元路径集合；

5、s3，根据路径覆盖度、路径对称性、语义多样性和下游任务相关性的加权组合计算候选元路径集合中的每条元路径的综合质量得分；

6、s4，基于蚂蚁游走后在类型模式图各边上积累的信息素浓度和各元路径的综合质量得分，执行分层信息素更新，获得类型模式图各边上更新后的信息素浓度，进入s2进行下一轮迭代，直至达到预设迭代次数，汇总每次迭代生成的综合质量得分最高的元路径，构成迭代后的候选元路径集合；

7、s5，对迭代后的候选元路径集合施加语义相似度约束进行去冗余，输出预定数量的高质量元路径集合，基于高质量元路径集合对异质知识图谱中的节点进行元路径邻居聚合，获得增强后的异质知识图谱；

8、s6，获取用户输入的起始实体和目标类型，在增强后的异质知识图谱中进行路径推理，获得实体间的语义关联推理结果。

9、进一步的，s2中，基于当前的信息素浓度和启发函数联合生成每步转移概率，计算公式如下：

10、；

11、其中 为信息素浓度，为启发函数， 和  分别为信息素和启发函数的重要度系数；表示蚂蚁当前所在元路径中的节点类型；表示经关系r到达的下一跳节点类型；表示连接和的关系类型；表示沿关系的有向转移；表示从出发的其他候选关系类型；表示经候选关系 r' 到达的候选下一跳节点类型。

12、进一步的，s2中，启发函数的计算公式如下：

13、；

14、其中，为类型模式图中边类型的计数； 为类型模式图中节点类型的语义相似度。

15、进一步的，s3中，综合质量得分的计算公式如下：

16、；

17、其中，为路径覆盖度；为路径对称性；为语义多样性；为下游任务相关性；、、和为路径覆盖度、路径对称性、语义多样性和下游任务相关性对应的权重系数；表示候选元路径集合中的第 k 条元路径。

18、进一步的，s3中，所述路径覆盖度用于反映元路径所能覆盖的实体对数量；所述路径对称性用于反映元路径和其逆向路径的结构一致性；所述语义多样性用于反映元路径和已选元路径集合的语义差异程度；所述下游任务相关性反映元路径在验证集上的任务性能。

19、进一步的，s4中，分层信息素更新包括局部更新和全局更新；

20、所述局部更新的计算公式如下：

21、；

22、其中，表示蚂蚁当前所在元路径中的节点类型；表示经关系r到达的下一跳节点类型；表示连接和的关系类型；表示赋值操作；表示局部信息素挥发系数，用于控制每步游走后所经边的信息素向初始值回撤的比例；表示初始信息素浓度常数；

23、所述全局更新具体为对综合质量得分最高的元路径所包括的有向边上的信息素浓度进行增强，增强量等于综合质量得分乘以预设增益系数。

24、进一步的，s5中，对迭代后的候选元路径集合施加语义相似度约束进行去冗余，具体为：将迭代后的候选元路径集合按综合质量得分降序排列，依序将各元路径加入高质量元路径集合，若当前元路径和高质量元路径集合中已有元路径的最大语义相似度不大于预设阈值，则将其纳入高质量元路径集合。

25、另一方面，基于蚁群信息素的异质知识图谱元路径推理系统，包括：

26、初始化模块，用于基于输入的异质知识图谱，构建包括实体节点类型和实体关系类型的类型模式图，在类型模式图的每条有向边上初始化信息素浓度；

27、游走模块，用于将类型模式图作为蚁群游走图，部署多只虚拟蚂蚁在类型模式图上进行随机游走，基于当前的信息素浓度和启发函数联合生成每步转移概率，蚂蚁在游走过程中在经过的有向边上释放信息素并基于每步转移概率生成候选元路径集合；

28、得分计算模块，用于对候选元路径集合中的每条元路径，根据路径覆盖度、路径对称性、语义多样性和下游任务相关性的加权组合计算综合质量得分；

29、候选元路径生成模块，用于基于蚂蚁游走后在类型模式图各边上积累的信息素浓度和各元路径的综合质量得分，执行分层信息素更新，获得类型模式图各边上更新后的信息素浓度，进入游走模块进行下一轮迭代，直至达到预设迭代次数，汇总迭代生成的综合质量得分最高的元路径，构成迭代后的候选元路径集合；

30、增强模块，用于对迭代后的候选元路径集合施加语义相似度约束进行去冗余，输出预定数量的高质量元路径集合，基于高质量元路径集合对异质知识图谱中的节点进行元路径邻居聚合，获得增强后的异质知识图谱；

31、推理模块，用于利用输出的高质量元路径集合在异质知识图谱中进行路径推理，获得实体间的语义关联推理结果。

32、本发明采用如上技术方案，并具有有益效果：

33、（1）本发明通过构建类型模式图将元路径搜索空间从实例级别的海量节点和边压缩至类型级别，结合蚁群信息素机制的正反馈与分层更新策略，有效引导搜索方向，避免了传统方法中指数级的枚举式搜索，显著降低了计算复杂度，提升了元路径发现效率；

34、（2）本发明通过从路径覆盖度、路径对称性、语义多样性和下游任务相关性四个维度对候选元路径进行综合质量评分，并引入语义相似度约束进行去冗余筛选，确保最终输出的元路径集合兼具高质量与低冗余性，避免了单一评估标准导致的路径同质化问题；

35、（3）本发明通过蚁群信息素机制自动发现高质量元路径，并基于用户输入的起始实体和目标类型进行知识图谱路径推理，直接服务于问答、推荐、链路预测等下游任务，具有良好的领域通用性和应用价值。