申请/专利权人：湖北大学

申请日：2023-11-20

公开（公告）日：2024-01-26

公开（公告）号：CN117251583B

主分类号：G06F16/36

分类号：G06F16/36;G06F40/289;G06F40/30;G06N5/022;G06F18/25

优先权：

专利状态码：有效-授权

法律状态：2024.01.26#授权;2024.01.05#实质审查的生效;2023.12.19#公开

摘要：本发明提供一种基于局部图结构的文本增强知识图谱表示学习方法，包括：S1：获取局部图结构的知识图谱，通过知识图谱和输入三元组计算获得第一输入向量和第二输入向量；S2：构建学习模型，通过学习模型对第一输入向量和第二输入向量进行训练，获得第一预测向量和第二预测向量；S3：通过第一预测向量和第二预测向量构建评分函数，通过评分函数计算获得损失函数；S4：重复步骤S1‑S3直至损失函数小于预设值，获得训练好的学习模型。本发明构建的学习模型融合了文本编码和知识图谱的局部图结构信息，有助于同时获取上下文化和结构化知识；通过将u跳邻居实体集成到输入向量中，从而解决了基于文本的方法中结构信息不足的问题。

主权项：1.一种基于局部图结构的文本增强知识图谱表示学习方法，其特征在于，包括：S1：获取局部图结构的知识图谱，通过知识图谱和输入三元组计算获得第一输入向量Vsr和第二输入向量Vo；S2：构建学习模型，通过学习模型对第一输入向量Vsr和第二输入向量Vo进行训练，获得第一预测向量esr和第二预测向量eo；S3：通过第一预测向量esr和第二预测向量eo构建评分函数，通过评分函数计算获得损失函数；S4：重复步骤S1-S3直至损失函数小于预设值，获得训练好的学习模型，通过训练好的学习模型进行链接预测任务；步骤S1具体为：S11：获取局部图结构的知识图谱，表示所有实体的集合，表示所有关系的集合，表示正确三元组集合；通过获得输入三元组s,r,o，其中s表示主体实体嵌入，r表示关系嵌入，o表示客体实体嵌入；S12：获取主体实体嵌入s的主体实体的跳邻居列表Ls和主体实体的文本描述Ts，获取客体实体嵌入o的客体实体的跳邻居列表Lo和客体实体的文本描述To；S13：获取Ls中主体实体的u跳邻居实体Ls[u]，将s、r、Ls[u]和Ts进行组合，获得第一输入向量Vsr；S14：获取Lo中客体实体的u跳邻居实体Lo[u]，将o、Lo[u]和To进行组合，获得第二输入向量Vo；步骤S2具体为：S21：将第一输入向量Vsr和第二输入向量Vo输入学习模型，对Vsr和Vo进行分词处理获得词向量，通过各词向量之间的注意力、相对位置距离和语义信息计算获得第一隐藏层向量和第二隐藏层向量；S22：通过文本编码器对和进行特征提取前向传播，获得第一语言模型向量Hsr和第二语言模型向量Ho；S23：将Hsr和Ho通过池化和正则化进行向量处理，获得维度统一的第一预测向量esr和第二预测向量eo；步骤S3中评分函数的表达式为： 其中，dedu表示第一预测向量与第二预测向量的欧几里得距离，表示第一预测向量与第二预测向量的余弦相似度，代表对预测实体进行重排序得到的重排序分数，为欧式距离权重。

全文数据：

权利要求：

百度查询： 湖北大学 基于局部图结构的文本增强知识图谱表示学习方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD