System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于知识图谱推理,具体涉及一种基于拓扑结构和混合语义的知识图谱推理方法。
技术介绍
1、知识图谱推理利用已有的知识进行推导,以预测缺失的信息,这是解决知识图谱不完整和不确定性问题的一种有效方法,也是提升知识图谱质量的关键技术之一。根据实现知识图谱推理的技术手段的差异,可以将其分类为基于神经网络的推理方法、基于符号逻辑的推理方法以及基于二者结合的推理方法。
2、其中,基于神经网络的知识图谱推理方法通过使用浅层嵌入模型,如基于翻译的模型、基于乘法的模型和基于深度学习的神经网络模型,将知识图谱中的实体和关系转化为各种维度的向量表示。这些模型虽然在简单关系的推理上表现良好,但在更复杂的推理场景中,它们的性能可能会受到限制,且缺乏提供清晰的推理路径或规则来解释其决策过程。
3、基于符号逻辑的推理方法的核心目的是从知识图谱中挖掘出普适性的逻辑规则,这些规则能够引导人们从特定的头实体出发,遵从这些规则来查找和推理,以得出正确的尾实体。这种方法通常不能容忍数据中的不确定性和错误,这可能会在实际应用中对它们的使用产生一定的限制。
4、基于神经网络的推理方法和基于符号逻辑的推理方法都有其局限性,但它们确实是互补的,结合使用可以提供更强大的推理能力。逻辑规则利用知识图谱关系的高阶依赖性来提供额外的信息,这有助于提高推理的准确性和深度。同时,神经推理模型学习的高质量嵌入可以为基于逻辑规则的推理提供一个更加完整和丰富的知识图谱,从而增强整体知识图谱推理框架的性能。
5、现有的基于二者结合的推理方法
6、首先,这些方法往往没有充分利用知识图谱中的关系路径拓扑结构信息。关系路径是知识图谱中实体之间通过一系列关系相连的路径,它反映了实体之间的复杂关系。然而,现有的推理方法往往只关注实体和关系的直接信息,而忽略了关系路径所蕴含的丰富拓扑结构信息。这导致了在理解和推断复杂关系时,模型的性能受到一定的限制。
7、其次,现有的基于二者结合的推理方法也未能深入挖掘关系路径中存在的混合语义信息。在知识图谱中,关系路径不仅包含了实体之间的直接联系,还隐含了多种语义信息,如关系的方向性、关系的层次性等。这些混合语义信息对于准确理解实体之间的关系至关重要。然而,现有的推理方法往往缺乏对这些混合语义信息的有效处理,从而影响了推理的准确性。
技术实现思路
1、为了解决上述问题,本专利技术提供一种基于拓扑结构和混合语义的知识图谱推理方法,其可以充分利用知识图谱中关系路径的拓扑结构信息和混合语义信息,提高知识图谱推理的准确性和有效性。
2、本专利技术所采用的技术方案为:
3、在第一个方面,本申请公开了一种基于拓扑结构和混合语义的知识图谱推理方法,包括以下步骤:
4、结点特征编码获得结点结构特征嵌入xu,包括:利用强边缘特征对关系路径图中的结点进行标记,并根据标记值、第一神经网络、第二神经网络获取结点结构特征嵌入xu;
5、拓扑结构编码获得最终的得分s,包括:根据所述xu计算目标结点的结点结构信息得分sst,利用融合特征计算两目标结点的语义相似度得分sse,计算最终的得分s=sst+sse;其中,所述融合特征是将所述xu和原始结点属性zu融合而得;
6、混合语义编码获得关系路径混合表示包括:提取关系路径的显式文本表示pt,提取关系路径的隐式语义表示pl,将所述pt与pl通过第三神经网络融合生成所述关系路径混合表示
7、利用所述关系路径混合表示获得问题的最终表示。
8、作为一种可选的技术方案,所述结点结构特征嵌入xu的获取包括:
9、计算任意给定头结点和尾结点的最优路径距离,所述最优路径距离由传递路径采样方法生成,传递路径采样k次,得到强边缘特征;
10、利用得到的强边缘特征对关系路径图中的结点进行标记,不同长度的路径中的结点被标记为不同的标记值;
11、对关系路径图中的每个结点,根据标记值为每个结点生成初始结点结构特征嵌入,应用第一神经网络编码结点结构特征,再应用第二神经网络获取所述结点结构特征嵌入xu。
12、作为一种可选的技术方案,所述得分s的计算包括:
13、学习关系路径图中关注的两个目标结点结构信息和结点之间拓扑结构信息;
14、将所述两个目标结点的结构特征嵌入的hadmard乘积作为第四神经网络的输入之一,获得所述结点结构信息得分sst,其中,所述hadmard乘积为阿达玛乘积;
15、对于所述两个目标结点之间的拓扑结构信息,将原始结点属性和所述结点结构特征嵌入xu通过第五神经网络融合,获得所述融合特征;
16、将所述融合特征作为第六神经网络的输入之一,获得所述两个目标结点的最终表示输出hg;
17、将所述最终表示输出hg作为所述第四神经网络的输入之二,获得所述语义相似度得分sse;
18、将获得所述结点结构信息得分sst与语义相似度得分sse相加得到所述得分s。
19、作为一种可选的技术方案,所述关系路径混合表示的生成包括:
20、对于单个路径使用关系符号表示,由符号表示生成一个文本关系路径,其路径中实体和关系的每个文本描述都被指定标记包围,将被标记的文本关系路径输入文本编码器以提取关系路径的显式文本表示pt;
21、从预训练的知识图谱嵌入模型中提取关系嵌入,并由所述关系嵌入获取关系路径的隐式语义表示pl;
22、将提取的所述显式文本表示pt和隐式语义表示pl与所述第三神经网络融合生成所述关系路径混合表示
23、作为一种可选的技术方案,所述最终表示的获得包括:根据所述关系路径混合表示生成旋转变换和缩放变换,并利用所述旋转变换和缩放变换组合成问题的最终表示,其中包含复空间的实部和虚部。
24、在第二个方面,本申请还公开了一种基于拓扑结构和混合语义的知识图谱推理装置,该装置包括:
25、结点特征编码模块,用于结点特征编码以获得结点结构特征嵌入xu,其利用强边缘特征对关系路径图中的结点进行标记,并根据标记值、第一神经网络、第二神经网络获取结点结构特征嵌入xu;
26、拓扑结构编码模块,用于拓扑结构编码以获得最终的得分s,其根据所述xu计算目标结点的结点结构信息得分sst,并利用融合特征计算两目标结点的语义相似度得分sse,计算最终的得分s=sst+sse;其中,所述融合特征是将所述xu和原始结点属性zu融合而得;
27、混合语义编码模块,用于混合语义编码以获得关系路径混合表示其提取关系路径的显式文本表示pt,并提取关系路径的隐式语义表示pl,再将所述pt与pl通过第三神经网络融合生成所述关系路径混合表示
28、最终表示生成模块,用于利用所述关系路径混合表示获得问题的最终表示。
29、作为一种可选的技术方案,所述结点特征编码模块还用于:
本文档来自技高网...
【技术保护点】
1.一种基于拓扑结构和混合语义的知识图谱推理方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于拓扑结构和混合语义的知识图谱推理方法,其特征在于,所述结点结构特征嵌入xu的获取包括:
3.根据权利要求1或2所述的基于拓扑结构和混合语义的知识图谱推理方法,其特征在于,所述得分s的计算包括:
4.根据权利要求1或2所述的基于拓扑结构和混合语义的知识图谱推理方法,其特征在于,所述关系路径混合表示的生成包括:
5.根据权利要求4所述的基于拓扑结构和混合语义的知识图谱推理方法,其特征在于,所述最终表示的获得包括:根据所述关系路径混合表示生成旋转变换和缩放变换,并利用所述旋转变换和缩放变换组合成问题的最终表示,其中包含复空间的实部和虚部。
6.一种基于拓扑结构和混合语义的知识图谱推理装置,其特征在于,包括:
7.根据权利要求6所述的基于拓扑结构和混合语义的知识图谱推理装置,其特征在于,所述结点特征编码模块还用于:
8.根据权利要求6或7所述的基于拓扑结构和混合语义的知识图谱推理装置,其特征在于,所拓
9.根据权利要求6或7所述的基于拓扑结构和混合语义的知识图谱推理装置,其特征在于,所述混合语义编码模块还用于:
10.根据权利要求9所述的基于拓扑结构和混合语义的知识图谱推理装置,其特征在于,所述最终表示生成模块还用于:根据所述关系路径混合表示生成旋转变换和缩放变换,并利用所述旋转变换和缩放变换组合成问题的最终表示,其中包含复空间的实部和虚部。
...【技术特征摘要】
1.一种基于拓扑结构和混合语义的知识图谱推理方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于拓扑结构和混合语义的知识图谱推理方法,其特征在于,所述结点结构特征嵌入xu的获取包括:
3.根据权利要求1或2所述的基于拓扑结构和混合语义的知识图谱推理方法,其特征在于,所述得分s的计算包括:
4.根据权利要求1或2所述的基于拓扑结构和混合语义的知识图谱推理方法,其特征在于,所述关系路径混合表示的生成包括:
5.根据权利要求4所述的基于拓扑结构和混合语义的知识图谱推理方法,其特征在于,所述最终表示的获得包括:根据所述关系路径混合表示生成旋转变换和缩放变换,并利用所述旋转变换和缩放变换组合成问题的最终表示,其中包含复空间的实部和虚部。<...
【专利技术属性】
技术研发人员:惠孛,石逸农,田玲,卢光曦,吴旭程,罗胜尹,郑寿东,
申请(专利权)人:喀什地区电子信息产业技术研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。