CN117150041B 一种基于强化学习的小样本知识图谱补全方法 （电子科技大学）

一种基于强化学习的小样本知识图谱补全决现有技术存在的可解释性问题和知识图谱数以及基于头实体和目标关系利用元学习网络推2h0表示待补全三元组的头实体，r表示目标关t)t表示当前时间步t输入的头实体，Et表示智能体的历史路径表示，其初始值为学习网络推理得到的第l个三元组的尾实体，rl表示待补全知识图谱中ef所对应三元组中r,t表示历史路径全知识图谱中尾实体et所对应三元组中的rt,与r之间以及et与(h0+r)之间的相B1、利用待补全知识图谱构建支持集和查询集，并基于支πθt表示当前时间步动作空间At内各元素被选择的概率分布，并将动作空间At中概率最大的元3.如权利要求1或2所述的一种基于强化学习的小样本知识图谱补全方法，其特征在3bt)与(h0t)表示采取该动作能获得的奖励值；策略网络参数θC的优化过程如下：4.如权利要求1或2所述的一种基于强化学习的小样本知识图谱补全方法，其特征在似性阈值λ:max(D(r',r),ID(er(h,+r)))215.如权利要求1或2所述的一种基于强化学习的小样本知识图谱补全方法，其特征在A1、基于关系r，从待补全知识图谱中提取支持集，所述支持集中的三元组表示为A2、构建支持集各头实体hi的邻居集Nue和各尾实体e;的邻居集Ne-通过预训练模型，4骤A4，基于更新后各头实体hi和尾实体e;的特征向量，构建支持集中各三元组头尾实体对和fa(e;)分别表示支持集中第i个三元组更新后的头实5中符合预设筛选条件的三元组作为拓展结果，并基于拓展结果构建额外动作空间Afdd,包度得分E(h,r,e),所述相似度得分函数表示为：)为目标关系r的元表征；10.如权利要求9所述的一种基于强化学习的小样本知识图谱补全方法，其特征在于，元组尾实体的方式，构建负查询集QF;所述正查询集中三元组表示为(h',r,e⃞)eT,所述67[0015]基于待补全知识图谱所构建的已存动作空间Af"={(r,e)I(hr,r,e⃞)eT},其目标关系r的元表征，推理得到额外动作空间Af4d={(r',e⃞)1(hr,r',ef)eT},其中，e;表示经元学习网络推理得到的第l个三元组的尾实体，rl表示待补全知识图谱中e;所对应三元示待补全知识图谱中尾实体et所对应三元组[0019]所述决策网络和元学习网络在进行小样本知识图谱补全前，按如下步骤进行训8))表示在状态St下采取动t)表示采取该动作能获得的奖励值；否满足预设的相似性阈值λ:头实体ht和目标关系r的元表征，推理得到额外动作空间Af4d={(r',e;)1(hr,r',e⃞)eT},9[0050]A5、基于支持集中各三元组头尾实体对的嵌入向量提取目标关系r的元表查询集中符合预设筛选条件的三元组作为拓展结果，并基于拓展结果构建额外动作空间和分别表示支持集中第i个三元组更新后的所述循环神经网络的层数与支持集中三元组额外动作空间Afd,包括：中三元组尾实体的方式，构建负查询集QF;所述正查询集中三元组表示为(h',r,e⃞)eT,[0088](1)通过小样本方法从知识图谱中捕获知识，为每个关系匹配与之存在关联的实[0089](2)采用强化学习作为知识图谱补全的基础模型，首先确定当前时间步下智能体元学习网络的策略网络后就可以用来执行知[0096]对于一个小样本知识图谱RS=E,R,T,其中，ε和R分别表示知识图谱中实体和[0097]本实施例针对一个给定的小样本知识图谱数据xg:以及一个源查询三元组(h0,0[0101]本步骤中，以当前时间步t输入的头实体ht作为决策网络在当前时间步t的智能[0105]为基于当前时间步的头实体和目标关系特征进行推理而获得的不存在于原[0110]本步骤中，构建支持集各头实体hi的邻居集和各尾实体e;的邻居集通过预训练模型如TransE模型，初始化各头实体hi、各尾实体e;及其和分别表示支持集中第i个三元组更新后的[0131]本步骤中，利用头实体ht和目标关系r的元表征，基于待补全知识图谱构建查询构建查询集(h,r,e;):上述提取实体数据，可根据关系类型相对应的实体类型确定提取实并基于拓展结果构建额外动作空间Agd.Af《d={(r',e;)I(hr,r',e⃞)eT},其中，元学习网络推理得到的第l个三元组的尾实体，rl表示待补全知识图谱中e;所对应三元组[0137]本实施例通过上述额外动作空间的构建，能够在知识图谱已存动作空间的基础示历史路径所经过实体关系的Hadamard积，并表示为表示Hadamardt表示待补全知识图谱中尾实体et所对应三元组中的关系。tt与(h0+r)之间的)补全的尾实体。中三元组尾实体的方式，构建负查询集QF;所述正查询集Q5中三元组表