申请/专利权人:哈尔滨工业大学
申请日:2024-01-17
公开(公告)日:2024-04-16
公开(公告)号:CN117891955A
主分类号:G06F16/36
分类号:G06F16/36;G06N5/022;G06N3/0464;G06N3/045;G06N3/042;G06F18/25
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.05.03#实质审查的生效;2024.04.16#公开
摘要:一种基于多尺度注意力网络的知识图谱链接预测方法,属于知识图谱技术领域。本发明针对现有知识图谱嵌入模型在获取更多交互特征的同时会淹没重要特征的问题。包括建立知识图谱嵌入模型:由输入模块基于头实体向量和关系向量得到特征矩阵;再由编码模块得到多个基于权重选择的特征图,在通道维度上拼接得到拼接后特征图;得分模块将拼接后特征图压平为一维向量并投影到尾实体的向量空间获得隐藏层向量与知识图谱中所有尾实体向量分别做矩阵乘法,得到三元组分数;选择得分最高的三元组作为链接预测结果;采用最小化交叉熵损失函数实现知识图谱嵌入模型的训练;采用训练后知识图谱嵌入模型进行知识图谱链接预测。本发明用于知识图谱的链接预测。
主权项:1.一种基于多尺度注意力网络的知识图谱链接预测方法,其特征在于包括,建立知识图谱嵌入模型,包括输入模块、编码模块和得分模块;对知识图谱嵌入模型进行训练:输入模块将头实体和关系转化为相同维度的头实体向量h和关系向量r,再将头实体向量h和关系向量r按棋盘格的形状排布,得到特征矩阵;编码模块利用多个不同尺寸的卷积核在特征矩阵上进行卷积以提取不同视野的特征信息,得到多个特征图;再采用多尺度全局自适应选择模块对多个特征图进行重要特征的强化和无用特征的抑制,得到多个基于权重选择的特征图;将多个基于权重选择的特征图在通道维度上拼接,得到拼接后特征图;得分模块将拼接后特征图压平为一维向量并投影到尾实体的向量空间获得隐藏层向量,隐藏层向量的维度与尾实体向量t的维度相同;将隐藏层向量与知识图谱中所有尾实体向量t分别做矩阵乘法,得到头实体向量h、关系向量r和尾实体向量t的三元组分数;选择得分最高的三元组作为链接预测结果;采用最小化交叉熵损失函数实现知识图谱嵌入模型的训练,最终得到训练后知识图谱嵌入模型;采用训练后知识图谱嵌入模型进行知识图谱链接预测。
全文数据:
权利要求:
百度查询: 哈尔滨工业大学 基于多尺度注意力网络的知识图谱链接预测方法
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。