1.一种基于元学习的小样本知识图谱补全方法,其特征在于,包括以下步骤:
1)邻域关系元编码器:利用参考实体的邻域信息可以获取关系的有效表示,对实体和关系的信息交换进行建模;
2)匹配处理器:由参考集信息实现关系元的更新,对参考实体和关系元信息进行匹配,更新关系元;
在步骤1)中,计算尾实体和头实体的一跳邻域实体之间的相似度度量:(1)
其中和分别表示参考集中的头实体和尾实体邻域的原始嵌入,和是可训练参数,以参考集中头或尾实体和邻域实体之间的相似度作为邻域关系对任务关系的注意力,邻域内编号为i的邻域关系与任务关系之间的注意力系数为:(2)
其中是参考头尾实体对应的邻域中邻域关系和邻域实体的集合;
将注意力系数作为邻域关系对任务关系的影响因子,得到参考集中序号m的一个参考实体对对应的关系元表示,称为邻域感知关系嵌入:(3)
其中的是随机选取的某些邻域关系嵌入,该任务关系的原始嵌入和它的邻域感知关系嵌入相加输入一个全连接层,得到第个参考实体对对应的任务关系嵌入:(4)
其中是由翻译距离模型中的得分函数,转化为的计算得到的,是LeakyReLU激活函数,是可学习参数,对个参考实体对的嵌入结果求平均,获得关系元 。 (5)
2.根据权利要求1所述的基于元学习的小样本知识图谱补全方法,其特征在于,将参考实体嵌入和关系元嵌入拼接得到三元组嵌入,再通过ConvE模型中的得分函数计算三元组的合理性得分:(6)
其中,代表邻域关系元编码器生成的关系元嵌入,和分别表示实体和关系嵌入的二维重构,之后将其输入滤波器为的二维卷积层,类似的激活函数,是将张量重构为二维向量的函数。
3.根据权利要求2所述的基于元学习的小样本知识图谱补全方法,其特征在于,使用权重矩阵将其映射到一个K维空间中,从而和尾实体通过计算内积得到三元组得分,支持集的损失函数:(7)
其中,表示标准铰链损失函数,而是由随机替换参考实体对的尾实体得到的负例参考集,是用于区分正例和负例之间的间隔。
4.根据权利要求3所述的基于元学习的小样本知识图谱补全方法,其特征在于,保留对支持集损失优化过程中关系元的梯度信息,将其同样作为元信息从参考集转移至查询集中,使用如下公式计算梯度元:(8)
从而任务或对应的关系元就由相应的梯度元优化得到:(9)
得到的更新后的关系元即可输入到第二个组件中。
5.根据权利要求4所述的基于元学习的小样本知识图谱补全方法,其特征在于,应用TransE模型中的得分函数计算三元组的匹配度得分:(10)
损失函数:
(11)
其中是由随机替换查询集实体对中的尾实体得到的负例查询集,是用于区分正负查询集三元组的间隔。