欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020108250848
申请人: 吉林大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于文本分析的多知识图谱融合方法,其特征在于,包括以下步骤:S1、针对文本数据,构建多个知识图谱KG,其结构为KG=(E,R,T);其中E表示实体集,R表示关系集,T表示一个三元组,其中三元组是由头实体,一个实体是由多个单词构成,尾实体以及关系组成;

S2、使用Transformer生成每个知识图谱KG的实体向量表示;

S21、利用Transformer去学习一个序列单词的嵌入表示,其最核心的组件是一种自注意力机制,形式化为:Q

Q=X·W,

K

K=X·W,

V

V=X·W;

Q K V

其中W,W,W分别表示权重矩阵,X表示输入矩阵;

S3、使用注意力机制对每个知识图谱KG的实体邻居进行采样;

S31、通过注意力机制来学习每个单词对实体的影响权重,形式化为:αei=Wff(eWe+XiWi+b),其中Xi代表组成实体e的单词,αei表示Xi对实体的e的影响程度,he表示初始学到的实体表示,k表示组成实体e的单词个数;

S32、使用注意力机制来选择那些影响实体大的邻居作为候选邻居,形式化为:αij=Wff(eiWi+ejWj+b)其中:αij用于表示实体ei的邻居实体ej对其的影响程度,基于此指标对邻居节点进行采样,k表示实体ei的邻居个数;

S4、使用解耦图神经网络表示学习方法聚合每个知识图谱KG的实体的邻居信息;

S41、假设每个实体都有k个社会属性,将该实体的特征投影到k个子空间中,分别得到每个社会属性对应的特征:ei,k=Hkei+bk

其中ei,k表示实体ei在k空间的映射投影,Hk,bk表示该空间下的映射参数;

S42、对得到的子特征进行归一化,归一化的方式如下:

2 2

其中μ=E(ei,k),σ=E((ei,k‑E(ei,k)));

S43、利用图神经网络分别聚集在k个不同子空间下的实体嵌入表示,其形式为:其中:j表示实体i的邻居实体,关系R可以用来刻画邻居信息,利用邻居实体在k个子空间下的投影特征去聚合得到该实体的新特征,该过程通过图神经网络得到该实体在网络中的拓扑结构信息;

S44、对k个不同子空间的实体特征进行池化操作或者级联操作,分别为最大池化操作Maxpooling,平均池化操作Mean‑pooling,以及级联操作Concatenation,分别形式化为:Concatenation:ei=[ei,1,...,ei,k];

其中:ei是最终得到该实体的特征表示;

S5、通过距离衡量任意两个知识图谱KG的实体之间相似度;

S6、利用正负样本进行神经网络的训练。

2.根据权利要求1所述的基于文本分析的多知识图谱融合方法,其特征在于,所述S5具体包括:S51、假设任意两个知识图谱KG1和KG2,判断其中两个实体ei和ej是否对齐,其中ei∈KG1,ej∈KG2;通过距离测量来衡量两个实体之间的相似度,距离越近就代表这两个实体越相似,该距离形式化为:d(i,j)=|ei‑ej|L1;

通过该距离测量得到任意不同知识图谱两个实体之间的距离。

3.根据权利要求2所述的基于文本分析的多知识图谱融合方法,其特征在于,所述S6具体包括:利用正样本和负样本对知识图谱中的实体进行训练,正样本表示两个实体距离近,负样本表示两个实体距离远,最终模型的训练损失函数为:其中Pos、Neg分别表示正、负样本,η表示超参数。