一种用于知识图谱嵌入模型的负采样方法

技术特征：
1.一种用于知识图谱嵌入模型的负采样方法，其特征在于，包括以下步骤：s1：在进行嵌入模型的第一次训练之前，根据输入模型的正样本x
i
，初始化n个存储空间space_i；s2：根据给定的正样本三元组x
i
＝(h,r,t)，基于实体集合ε中全部实体生成负样本集合通过均匀采样，从负样本集合中采样得到若干个负样本；s3：将所述步骤s2得到的若干个负样本添加至所述存储空间space_i；s4：对所述存储空间space_i中的负样本进行重要性p
i
评估；s5：对所述存储空间space_i中所有负样本的重要性p
i
进行降序排序，保留重要性分数较高的若干个样本，存储于所述存储空间space_i；s6：从所述步骤s5保留的负样本中均匀采样若干个负样本组成hns＝(h',r,t')并将所述存储空间space_i更新为hns；s7：对步骤s2-s6重复n次，n个正样本分别得到对应的n个所述存储空间space_i，将n个正样本集合和n个负样本集合输入模型完成一次训练；s8：模型的当前轮次训练完成后，在下一次迭代训练开始之前，重复步骤s2-s7，直到迭代训练次数达到设置的次数或模型性能表现稳定。2.根据权利要求1所述的用于知识图谱嵌入模型的负采样方法，其特征在于，所述步骤s1中所述正样本x
i
中i＝1，2，3
……
n；n个所述存储空间space_i中i＝1，2，3
……
n；每一个所述存储空间space_i包括n个负样本；其中，存储空间space_i与正样本x
i
一一对应。3.根据权利要求2所述的用于知识图谱嵌入模型的负采样方法，其特征在于，所述步骤s2通过均匀采样从(h',r,t)和(h,r,t')中分别采样n1个负样本，得到2*n1个负样本，其中，负样本统一表示为(h',r,t')，此外，(h',r,t)中t＝t'，(h,r,t')中h＝h'。4.根据权利要求3所述的用于知识图谱嵌入模型的负采样方法，其特征在于，所述步骤s3将所述步骤s2采样得到的2*n1个负样本添加到所述存储空间中space_i，所述存储空间space_i一共包含n2＝(n 2*n1)个负样本。5.根据权利要求4所述的用于知识图谱嵌入模型的负采样方法，其特征在于，所述步骤s4首先计算d
i
，d
i
通过以下任一方法，或任意多种方法取平均值求得：a)通过相似性函数，衡量正样本(h,r,t)和负样本(h',r,t')之间的差异性，d
i
＝||e
h-e
h'
|| ||e
t-e
t'
||，其中e
h
为实体h的嵌入表示形式；b)通过相似性函数，衡量当前状态的嵌入模型对正样本(h,r,t)和负样本(h',r,t')的损失函数g差异性，d
i
＝||g(h,r,t)-g(h',r,t')||；c)通过当前状态的嵌入模型对负样本(h',r,t')进行打分，d
i
＝f(e
h'
,e
r
,e
t'
)；通过softmax函数计算重要性程度p
i
：6.根据权利要求5所述的用于知识图谱嵌入模型的负采样方法，其特征在于，所述步骤s5中计算得到的p
i
表示对应负样本的质量，重要性程度p
i
越高，负样本的质量越高。
7.根据权利要求6所述的用于知识图谱嵌入模型的负采样方法，其特征在于，所述步骤s5保留重要性排序后重要性最高的n3个负样本于存储空间space_i中，其中n3>n。8.根据权利要求7所述的用于知识图谱嵌入模型的负采样方法，其特征在于，所述步骤s6具体为：从n3个负样本中均匀采样得到n个负样本，组成hns＝(h',r,t')，并将存储space_i更新为hns，hns即为正样本三元组x
i
＝(h,r,t)对应的高质量负样本集合，其中，一个正样本(h,r,t)对应了n个负样本(h',r,t')。

技术总结
本发明公开了一种用于知识图谱嵌入模型的负采样方法，包括以下步骤：S1：初始化n个包含N个负样本的存储空间；S2：根据给定的正样本三元组，基于实体集合ε中全部实体生成负样本集合，通过均匀采样，从负样本集合中采样得到2*N1个负样本；S3：将步骤S2得到的若干个负样本添加至所储空间；S4：对存储空间中的负样本进行重要性评估；S5：对存储空间中所有负样本的重要性进行排序，保留重要性分数高的N3个样本；S6：从保留的负样本中均匀采样N个负样本组成HNS；S7：重复步骤S2-S6n次；S8：对模型进行迭代训练。本发明提供的技术方案占用资源少，运行效率高，广泛适用于各种知识图谱模型。广泛适用于各种知识图谱模型。广泛适用于各种知识图谱模型。


技术研发人员：谢禹舜 顾钊铨 方滨兴 张小松 王乐 牛伟纳 韩伟红 李树栋 张登辉 谭润楠 龙宇
受保护的技术使用者：电子科技大学（深圳）高等研究院 广州大学
技术研发日：2022.11.21
技术公布日：2023/3/10