(19)中华 人民共和国 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 202210012260.5 (22)申请日 2022.01.06 (71)申请人 河海大学 地址 210024 江苏省南京市 鼓楼区西康路1 号 (72)发明人 许国艳　于渡　张琦睿　卢宇威　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 代理人 柏尚春 (51)Int.Cl. G06F 16/33(2019.01) G06F 16/36(2019.01) G06F 40/295(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种融合图结构信息的知识图谱表示学习 方法 (57)摘要 本发明公开了一种融合图结构信息的知识 图谱表示学习方法， 采用多层消息传递机制迭代 计算三元 组邻域上下文信息， 并采用路径权重的 方法得到关系路径信息， 结合注意力机制， 利用 三元组邻域上下文信息来衡量关系所有路径的 权重并融合计算最终的综合路径向量使得三元 组向量矩阵中融合丰富的图结构信息， 通过卷积 神经网络训练得到缺失的目标 实体， 并补全三元 组和知识图谱； 本发明得到了更精确有效的路径 向量表示， 强化了路径向量和邻域上下文之间的 影响力， 提高知识图谱的表示学习能力。 权利要求书2页 说明书5页 附图2页 CN 114357115 A 2022.04.15 CN 114357115 A 1.一种融合图结构信息的知识图谱表示学习方法， 其特 征在于， 包括如下步骤： (1)获取知识图谱的三元组和三元组特 征向量矩阵A＝[vh,vr,vt]； (2)利用多层消息传递公式对所述 三元组中的实体和关系进行 特征融合； (3)计算所述头实体和尾实体间关系的加 权和， 得到每条路径的表示 权重 的公式为： 其中， pi＝(e1,e2,…,el)为由关系ej组成的一条路径， l为路径pi的长度， |P(h,t)|为头实 体h和尾实体t之间所有路径的集 合数量； (4)利用注意力机制聚合路径特 征得到综合路径向量； (5)将所述综合路径向量融入所述三元组特征向量矩阵A， 通过卷积神经网络训练得到 缺失的目标实体， 并补全三元组和知识图谱。 2.根据权利要求1所述的融合图结构信 息的知识图谱表示学习方法， 其特征在于， 步骤 (2)中对所述 三元组中头实体和尾实体的K阶邻域内的实体和关系进行 特征融合。 3.根据权利要求2所述的融合图结构信 息的知识图谱表示学习方法， 其特征在于， 所述 K不大于3。 4.根据权利要求1所述的融合图结构信 息的知识图谱表示学习方法， 其特征在于， 步骤 (2)包括如下步骤： (21)计算实体v第i次迭代的隐藏状态 其中 为关系e第i次迭代的隐 藏状态， E(v)为实体v一阶邻域关系的集 合； (22)计算关系e第i+1次迭代的隐藏状态 其中 分别为头实体h和尾实体t第i次迭代的隐藏状态， N(e)为的是关系e两端的实 体， AGGREGATE为聚合操作； (23)重复步骤(21)和(2 2)进行N次迭代得到 5.根据权利要求1所述的融合图结构信 息的知识图谱表示学习方法， 其特征在于， 步骤 (4)包括如下步骤： (41)计算邻域上 下文信息 (42)利用所述邻域上 下文信息计算每条路径的注意力权 重 (43)计算头实体h 到尾实体t的综合路径向量表示： 6.根据权利要求1所述的融合图结构信 息的知识图谱表示学习方法， 其特征在于， 步骤 (5)中将综合关系向量融入所述 三元组特 征向量矩阵A的公式为：权　利　要　求　书 1/2 页 2 CN 114357115 A 2A′＝[vh， vr+Ph→t， vt]∈Rkx3。 7.根据权利要求1所述的融合图结构信 息的知识图谱表示学习方法， 其特征在于， 步骤 (5)中得到缺失的目标实体的方法为： (51)利用卷积神经网络进行 特征提取， 计算 三元组的评价 函数f(h,r,t)： 其中σ(·)为激活函数， 为平均池化 函数， *为卷积 操作， Ω和ω为共享 参数； (52)利用卷积神经网络训练得到最小化软边际损失的评价 函数模型 F； (53)利用模型F对缺失的三元组进行预测， 得到评价分数最高的目标实体， 即为该三元 组中缺失的目标实体。权　利　要　求　书 2/2 页 3 CN 114357115 A 3