CN113641826B 面向多源知识图谱融合的实体对齐方法、装置与系统 （北京邮电大学）

US2019122111A1,2019.04.25RepresentativeRelationsSelect.2019,1056-1061.本申请公开一种面向多源知识图谱融合的体特征，根据实体的实体特征生成实体嵌入矩采用双向全局过滤策略对损失函数和实体的属性信息进行处理生成迭代正样本集和迭代负样本集，通过样本集对神经网络模型进行迭代训2提取知识图谱中实体的实体特征，根据所述实体的实体特征生成实体嵌根据所述实体表示计算所述实体与相邻实体的关系信息，并根据所根据所述完整实体表示获取完整实体嵌入矩阵，根据所根据所述损失函数和实体的属性信息，采用双向全局过滤策略生成根据所述属性相似度矩阵和属性值相似度矩阵其中，所述根据所述实体表示计算所述实体与相邻实体的关系信wh,wteRdexdr是权重矩阵，dr采用图注意力网络GAT将实体信息传播到3表示参数向量的转置，[*||*]表示拼接运算，exp(x)＝ex，LeakyReLU是激活函数，完整实体表示获取完整实体嵌入矩阵，根据所述完整实体嵌入矩阵获取最终实体嵌入矩使用回响网络输出所述完整实体对应的完整实体嵌入矩阵X(EN)，并输出所述最终实体原始聚合网络模块，用于提取知识图谱中实体的实体特征，完整聚合网络模块，用于根据所述完整实体表示获取完整实体嵌结合属性的双向全局过滤策略模块，用于根据所述损失函数和4根据所述属性相似度矩阵和属性值相似度矩阵个实体x的表示可以拆分为xh＝x(PAN)Wh和xt＝x(PAN)Wt，其中w采用图注意力网络GAT将实体信息传播到数据管理模块，用于获取待对齐知识图谱数据，将待对齐知知识融合模块，用于使用如权利要求1-4中任一项所述的面向多源知识图谱融合的实体对齐方法中训练后的神经网络模型对预设数据格式的待对齐知识图谱数据进行预测以机程序被处理器执行时实现如权利要求1-4中任一所述的面向多源知识图谱融合的实体对5[0003]实体对齐是多源知识图谱自动融合(合并/集成)的关键步骤，其效果和知识图谱[0007]为此，本发明的第一个目的在于提出一种面向多源知识图谱融合的实体对齐方[0009]本发明的第三个目的在于提出一种面向多源知识图谱自动化集成的数据服务系6[0012]提取知识图谱中实体的实体特征，根据所述实体的实体[0017]可选的，本申请实施例提出的面向多源知识图谱融T表示参数向量的转置，[*||*]表示拼接运算，exp(x)＝ex，LeakyReLU是激活函数，每个实体x的表示可以拆分为xh＝x(PAN)Wh和xt＝x(PAN)Wt，其中Wh,wteRdexdr是权重矩r7[0048]回响网络模块，用于根据所述实体表示计算所述实体与所述相邻实体的关系信8[0050]对齐损失函数计算模块，用于根据所述最终实体嵌入矩阵和数据集计算损失函[0051]结合属性的双向全局过滤策略模块，用于根据所述损失的实体对齐方法中训练后的神网络模型对预设数据格式的待对齐知识图谱数据进行预测[0057]为达上述目的，本申请第四方面实施例提出了一种非临时性计算机可读存储介[0060]本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得9[0061]图1为本申请实施例所提供的一种面向多源知识图谱融合的实体对齐方法的流程[0064]图4为本申请实施例所提供的一种面向多源知识图谱融合的实体对齐装置的结构[0065]图5为本申请实施例所提供的一种面向多源知识图谱自动化集成的数据服务系统[0068]实体对齐是多源知识图谱自动融合(合并/集成)的关键步骤，其效果和知识图谱[0070](1)首先使用知识图谱嵌入(KnowledgeGraphEmbedding,KGE)模型将实体表示[0077]针对上述问题，本申请实施例提出一种面向多源知识图谱融合的实体对齐方法、[0082]图1为本申请实施例所提供的一种面向多源知识图谱融合的实体对齐方法的流程[0087]进一步的，为了解决过平滑问题，本申请实施例在原始聚合网络模块中插入T表示参数向量的转置，[*||*]表示拼接运算，exp(x)＝ex，LeakyReLU是激活函数，[0101]进一步的，本申请实施例根据由步骤101得到的实体表示计算实体与相邻实体的[0102]将每个关系rk的语义每个实体x的表示可以拆分为xh＝x(PAN)Wh和xt＝x(PAN)Wt，其中Wh,wteRoer是权重矩r[0110]由此可知，本申请实施例中的回响网络模块输出的是知[0113]类似地，每个实体x的表示可以拆分为xh＝x(PAN)Wh和xt＝x(PAN)Wt，其中Wh,wteRde×dr是权重矩阵，dr是关系嵌入维数，x(PAN)的实体嵌入。ijk表示基于头实体ei和尾实体ej的从头实体ei到关系rk的注意力权重。直接传递到头实体ei的注意力权重。以相同的方式，本申请实施例可以从计算出和从计算出[0129]利用Echo网络输出的完整实体嵌入矩阵X(EN)，本申请实施例继续使用GAT层再次基于属性的相似度矩阵Sattr，其中第i行第j列元素"=I(Attr(e),Attr(e)ei,ej是分[0165]分别是根据局部对齐结果所获得的正样本集和负样本集，这两个样本集在下一步中需要用到。[0171]设全局对齐的结果为Pglobal。然后迭代正样本集和迭代负样本集计算如[0173]最终，该策略输出迭代正样[0181]为了实现上述实施例，本发明还提出一种面向多源知识图谱融合的实体对齐装[0182]图4为本申请实施例所提供的一种面向多源知识图谱融合的实体对齐装置的结构[0188]结合属性的双向全局过滤策略模块50，用于根据所述损失函数和实体的属性信[0190]图5为本申请实施例所提供的一种面向多源知识图谱自动化集成的数据服务系统[0191]如图5所示，本申请实施例提供的一种面向多源知识图谱自动化集成的数据服务齐方法中训练后的神网络模型对预设数据格式的待对齐知识图谱数据进行预测以得到对[0196]为了便于本领域技术人员更好的理解本申请实施例提出的面向多源知识图谱自所述计算机程序被处理器执行时实现如本申请实施例所述的面向多源知识图谱融合的实[0213]三是，利用上述实体对齐装置的面向多源知识图谱自动术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结连接部(电子装置)，便