(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 202210483527.9 (22)申请日 2022.05.05 (71)申请人 南京信息 工程大学 地址 210044 江苏省南京市浦口区宁六路 219号 (72)发明人 刘文杰　姚俊飞　 (74)专利代理 机构 北京同辉知识产权代理事务 所(普通合伙) 11357 专利代理师 陈天林 (51)Int.Cl. G06F 16/36(2019.01) G06F 16/28(2019.01) G06N 3/08(2006.01) (54)发明名称 一种基于剪枝子图的知识图谱表示方法 (57)摘要 本发明提供一种基于剪枝子图的知识图谱 表示方法， 涉及知识图谱领域。 该发明基于剪枝 子图的知识图谱表示方法， 包括： 采用TransE模 型学习三元组(eh,r,et)的结构化信息， 得到实 体特征向量矩阵和关系特征向量矩阵； 通过计算 三元组中的头实体和关系的距离得到关系传播 系数， 得到一个ne×ne邻接权重矩阵； 根据邻接 权重矩阵， 对所有目标实体的k阶邻域实体由里 向外呈线性扩展进行有选择地采样， 形成剪枝子 图； 通过将剪枝子图和GAT进行结合来聚合邻居 剪枝子图特征信息； 解决了以下问题： GAT的注意 力机制仅基于一阶邻域的实体的特征信息， 没有 考虑高阶邻域实体特征信息。 当GAT使用更高阶 的邻域(间接邻居实体)来进行训练时， 会出现过 度平滑， 造成知识图谱表示 性能下降。 权利要求书3页 说明书8页 附图2页 CN 114780750 A 2022.07.22 CN 114780750 A 1.一种基于 剪枝子图的知识图谱表示方法， 其特 征在于， 包括以下步骤： 步骤一： 采用TransE模型学习三元组(eh,r,et)的结构化信息， 得到实体特征向量矩阵 和关系特 征向量矩阵 步骤二： 所述知识图谱为有向图， 信 息由头实体传播到尾实体， 通过计算三元组中的头 实体特征向量和关系特征向量之间的距离得到关系传播系数， 得到一个ne×ne邻接权重矩 阵； 步骤三： 所述知识图谱为有向图， 尾实体聚合头实体的信息， 所以对目标实体j(尾实 体)的k阶实体由里向外呈线性扩展进行选择性采样， 形成剪枝子图S(j)； 设定采样系数为 β， 一阶采样β 个， 二阶采样2β 个， k阶采样kβ 个； 每采样一阶， 则通过邻接权重矩阵来计算关 系的采样概 率P(v|u)， 通过关系来选择采样实体， 从而形成目标实体的剪枝子图S(j)； 步骤四： 剪枝子 图中实体的重要性随着 阶数的增高而降低， 通过折扣系数对剪枝子 图 中每一阶实体进行评估， 形成剪枝子图特 征向量 步骤五： 将剪枝子图特征向量与GAT进行结合， 每个实体通过聚合邻居剪枝子图特征向 量得到新的特 征向量 步骤六： 将最初的实体特征向量 经过线性变换， 和 相加得到最终实体特征向量 同时对输入的关系特 征向量 进行线性变换 得到新的关系特 征矩阵向量 步骤七： 将最终的实体特征向量矩阵 以关系特征向量矩阵 进行翻译模型优化训练。 2.根据权利要求1所述的一种基于剪枝子图的知识图谱表示方法， 其特征在于， 所述实 体特征向量矩阵E的维度为(ne,d)， 其中ne表示实体的数量； 所述关系特征向量矩阵R的维度 为(nr,d)， 其中nr表示关系的数量， d表示特 征向量的维度。 3.根据权利要求1所述的一种基于剪枝子图的知识图谱表示方法， 其特征在于： 所述步 骤二具体 计算公式为： 其中， 表示头实体和尾实体之间关系的传播系数， 根据头实体和关系之间的欧式距 离 求得传播系数， 由此来 求得邻接 权重矩阵。 4.根据权利要求1所述的一种基于剪枝子图的知识图谱表示方法， 其特征在于： 所述步 骤三中具体采样概 率和形成的子图S(j)为： 权　利　要　求　书 1/3 页 2 CN 114780750 A 2S(j)＝{{ej},{e1,1,e1,2,...e1, β},...{ek,1,ek,2,...ek,kβ}} 其中， 定义实体v是上一阶采样实体u的邻 居， 实体u的邻 居实体集合为N(u)， cv， u代表关 系(v,u)的权重， N(u)/S(j)表示除去已经在剪枝子图中的实体,{ek,1,ek,2,...ek,kβ}表示剪 枝子图中采样的每一阶实体集 合； {ej}代表实体j。 5.根据权利要求1所述的一种基于剪枝子图的知识图谱表示方法， 其特征在于： 所述步 骤四具体公式为： 其中， ρ 是一个0到1之间的折扣系数， 阶数越高， 实体对于剪枝子图的重要性就越低， 表示实体j的特征向量， 表示采样的第k阶实体的特征向量相加， W1是线 性变换矩阵， 对打完折扣的每阶实体进行一次特 征提取， 是剪枝子图特 征向量。 6.根据权利要求1所述的一种基于剪枝子图的知识图谱表示方法， 其特征在于： 所述步 骤五具体公式为： 其中， 表示实体i的初始特征向量， 表示实体i的邻 居剪枝子图特征向量， Ni表示实 体i的邻居剪枝子图集合， di,S(j)和αi,S(j)都是表示实体i和剪枝子图S(j)之间的注意力系 数， 只不过αi,S(j)是di,S(j)在的基础之上进行归一化的， W2为与特征向量相乘的矩阵， a为学 习权重向量， σ 为非线性激活函数， 为最后聚合邻居剪枝子图的特 征向量。 7.根据权利要求1所述的一种基于剪枝子图的知识图谱表示方法， 其特征在于： 所述步 骤六具体公式为： 其中， W3， W4都是线性变换矩阵， 表示最终的实体特征向量， 表示经过线性变换之 后的关系特 征向量。 8.根据权利要求1所述的一种基于剪枝子图的知识图谱表示方法， 其特征在于： 所述步 骤七中具体运 算损失函数公式为：权　利　要　求　书 2/3 页 3 CN 114780750 A 3