一种基于路径张量分解的知识图谱表示学习方法

摘要：

本发明公开了一种基于路径张量分解的知识图谱表示学习方法，具体包括以下步骤：

步骤1：提取知识图谱中的实体集、关系集和三元组集，并将满足三元组的实体集、关系集嵌入到低维连续向量空间；

步骤2：通过PRA算法获得实体间的路径；

步骤3：在全部实体可能存在的路径上均进行张量分解，计算分解损失函数值；

步骤4：重复步骤3，直至达到收敛的预设值或迭代最大次数；

步骤5：如果达到迭代最大次数或收敛于预设值，则进入下一个三元组相关的路径计算，重复步骤2至步骤4，直到训练集全部的三元组都被执行；

步骤6：输出训练模型中相应的实体集和关系集。

此种表示学习方法可提高知识发现的推理准确性，从而提高预测精度。

摘要：本发明公开一种基于路径张量分解的知识图谱表示学习方法，包括如下步骤步骤1，提取知识图谱中的实体集、关系集和三元组集，把满足三元组的实体集、关系集嵌入到低维连续向量空间；步骤2，通过PRA算法获得实体间的路径；步骤3，在全部实体可能存在的路径上均进行张量分解，计算分解损失函数值；步骤4，重复步骤3，直至达到收敛的预设值或迭代最大次数；步骤5，如果达到迭代最大次数或收敛于预设值，则进入下一个三元组相关的路径计算，重复步骤2至步骤4，直到训练集全部的三元组都被执行；步骤6，输出训练模型中相应的实体集和关系集。此种表示学习方法可提高知识发现的推理准确性，提高预测精度。