(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210137394.X (22)申请日 2022.02.15 (71)申请人 南京航空航天大 学 地址 210016 江苏省南京市秦淮区御道街 29号 (72)发明人 胡文轩　马宗民　 (74)专利代理 机构 南京瑞弘专利商标事务所 (普通合伙) 32249 专利代理师 张宁馨 (51)Int.Cl. G06F 16/36(2019.01) G06F 16/35(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于加强实体结构特征表示学习的链 接预测方法 (57)摘要 本发明公开了一种基于加强实体结构特征 表示学习的链接预测方法， 首先系统根据知 识图 谱的实体数据生成初始化向量， 然后将实体的初 始化向量输入到实体表示学习框架中， 在表示学 习框架中， 对实体的初始向量通过RGCN模型对实 体的关系特征进行提取， 然后利用GCN模型和GAT 模型组合对实体结构特征所反映的实体关系结 构特征进行提取学习， 作为关系特征信息的补 充， 并采用多种门控机制进行多特征融合； 最后 将实体向量输入到链接预测模型中， 生成预测关 系实体三元 组并对预测结果进行验证； 本发明有 效解决了链接预测系统所面临的多源信息融合 困难， 关系结构特征不足的问题， 实体特征向量 中包含的关系特征信息足够识别复杂关系对应 的实体， 提高了链接预测的效果。 权利要求书2页 说明书6页 附图2页 CN 114579756 A 2022.06.03 CN 114579756 A 1.一种基于加强 实体结构特 征表示学习的链接预测方法， 其特 征在于， 包括以下步骤： 步骤S1、 将知识图谱实体数据生成的初始化向量输入至RGCN模型， 提取实体关系特征 并学习， 获取实体关系特 征表示向量； 步骤S2、 基于实体邻接结构特 征对实体关系特 征进行补充； 将知识图谱实体数据生成的初始化向量分别输入至GCN模型和GAT模型； 在实体表示学 习网络中的每一层， GCN模型提取并学习中心实体节点的邻居结构特征， GAT模型根据实体 节点重要程度赋予权重， 体现邻接节 点的重要程度， 对实体邻接节点进 行特征提取， 以邻接 节点重要程度反映对应关系的重要程度情况； 将GAT模型获取的重要程度特征作为GCN模 型 获取的邻居结构特征 的补充， 基于平均门控机制将两种 特征聚合， 获取实体的关系 结构特 征表示向量； 步骤S3、 将步骤S1获取的实体关系特征表示向量和步骤S2中的关系结构特征表示向量 基于Res gate门控再次聚合， 获取实体表示向量； 在学习训练过程中通过加强对负例样本 的采样作为 正例样本不足的补充， 提高学习训练实体表示向量的效果； 步骤S4、 基于实体表示向量进行链接预测； 选择基于DistMult分解的得分函数对预测的关系实体三元组计算评分来判断是否能 够被视作正确三元组。 2.根据权利要求1所述的一种基于加强实体结构特征表示学习的链接预测方法， 其特 征在于， 所述 步骤S1中具体提取实体关系特 征的方法包括： 首先针对中心实体节点的邻 接节点， 按照中心节点与对应邻 接节点之间所拥 有的关系 进行分类； 然后针对中心节点与对应邻接节点之间的关系设置可学习的关系转换矩阵； 最 后对于中心节点， 添加 一种用于在前向传播学习 过程中保持节点自身特征 的自反关系， 其 中实体表示学习前向传播公式如下： 其中， 在网络中下一层节点i的实体表示向量； σ 表示激 活函数； R表示的是图谱的所 有关系的集合； Nr表示节点i所对应在关系r下的邻居节点的集合； ci,r表示的是正则化常 数； 表示在该层的关系特征转换参数； 表示的是邻接节点j的特征表示； Wl表示可学习 的参数矩阵； 表示的是节点 i在上一层得到的特 征表示。 3.根据权利要求1所述的一种基于加强实体结构特征表示学习的链接预测方法， 其特 征在于， 所述 步骤S2中采用的平均门控机制融合特 征信息公式表示如下： hi＝(1‑α )hi1+α hi2 其中hi是实体i的关系结构特征信息； hi1、 hi2分别是GCN和GAT模型得到的实体i的关系 结构特征向量； α是融合系数， 范围是(0,1]， 用于关系分布特征和关系重要程度特征的聚 合。 4.根据权利要求1所述的一种基于加强实体结构特征表示学习的链接预测方法， 其特 征在于， 所述 步骤S3中采用的Res  gate门控机制融合特 征信息公式表示如下： hi＝W2( σ(W1hi1+b))+hi2权　利　要　求　书 1/2 页 2 CN 114579756 A 2其中hi是实体i的最终特征表示向量； hi1、 hi2分别是实体i的关系 结构特征向量和关系 特征向量模型； W1、 W2是可学习参数矩阵； σ 是激活函数， 选用relu()激活函数。 5.根据权利要求1所述的一种基于加强实体结构特征表示学习的链接预测方法， 其特 征在于， 所述基于DistMult分解的得分函数表示如下： 其中， hh表示三元组中头 实体h的特征表示向量； ht表示三元组中尾实体t的特征表示向 量； Rr表示关系r对应的对角矩阵， 即为关系转换矩阵； 通过使用DistMult分解， 使头尾实体 特征向量和关系r投影到一个具体的值， 作为链接预测三元组正确的可能性得分。权　利　要　求　书 2/2 页 3 CN 114579756 A 3