申请/专利权人：电子科技大学;电子科技大学(深圳)高等研究院;广州大学

申请日：2022-11-21

公开（公告）日：2024-04-23

公开（公告）号：CN115774788B

主分类号：G06F16/36

分类号：G06F16/36;G06N20/00

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2023.03.28#实质审查的生效;2023.03.10#公开

摘要：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。

主权项：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：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Xi，初始化n个存储空间Space_i；步骤S2：根据给定的正样本三元组Xi＝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；步骤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；步骤S4：对所述存储空间Space_i中的负样本进行重要性Pi评估；步骤S5：对所述存储空间Space_i中所有负样本的重要性Pi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；步骤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；步骤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；步骤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；所述步骤S1中所述正样本Xi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Xi一一对应；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'；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；所述步骤S4首先计算di，di通过以下方法取平均值求得：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，di＝||eh-eh'||+||et-et'||，其中eh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，di＝||gh,r,t-gh',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，di＝feh',er,et'；通过softmax函数计算重要性程度Pi：

全文数据：

权利要求：

百度查询： 电子科技大学;电子科技大学(深圳)高等研究院;广州大学 一种用于知识图谱嵌入模型的负采样方法

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