(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111472336.4 (22)申请日 2021.12.0 6 (65)同一申请的已公布的文献号 申请公布号 CN 113869516 A (43)申请公布日 2021.12.31 (73)专利权人 深圳大学 地址 518060 广东省深圳市南 山区南海大 道3688号 (72)发明人 吴定明　周钰棋　陆克中　詹金颖　 (74)专利代理 机构 北京品源专利代理有限公司 11332 专利代理师 潘登 (51)Int.Cl. G06N 5/02(2006.01) G06N 20/00(2019.01)(56)对比文件 CN 112000689 A,2020.1 1.27 审查员 牛力敏 (54)发明名称 知识图谱嵌入模型训练方法、 装置、 电子设 备及介质 (57)摘要 本申请实施例公开了一种知识图谱嵌入表 示模型训练方法。 该方法包括： 获取知识图谱中 当前节点的邻接节点， 根据当前节 点和邻接节点 的初始向量表 示， 确定当前节 点和邻接节点之间 的第一关联向量； 通过聚合函数将所述第一关联 向量进行聚合， 得到当前节点与所有邻接节点之 间的第一关联聚合结果， 并将所述第一关联聚合 结果作为当前节点的更新向量表 示； 将所述更新 向量表示输入知识图谱嵌入表示模 型中， 得到各 节点的嵌入表 示。 以上技术方案中从多维度选择 节点的邻接节 点， 并将节点与其邻接节点之间的 关联信息进行聚合作为节点的向量表 示， 使模型 在训练时可以学习到更丰富的信息， 从而使 得到 的节点的嵌入式表示具有更优的空间和文本辨 别能力。 权利要求书2页 说明书12页 附图5页 CN 113869516 B 2022.05.20 CN 113869516 B 1.一种知识图谱嵌入表示模型训练方法， 其特 征在于， 所述方法包括： 获取知识图谱中当前节点的邻接节点， 根据当前节点和邻接节点的初始向量表示， 确 定当前节点和邻接节点之间的第一关联向量， 包括： 将当前节点和邻接节点的初始向量表示进行拼接， 得到第一 拼接向量； 根据当前节点和邻 接节点之间的空间邻 近度和文本相似度， 确定当前节点和邻 接节点 之间的关联信息； 将所述关联信 息与所述第一拼接向量相乘， 得到当前节点和邻 接节点之间的第 一关联 向量； 其中， 所述节点用于表征知识图谱中的实体； 通过聚合函数将所述第 一关联向量进行聚合， 得到当前节点与 所有邻接节点之间的第 一关联聚合结果， 并将所述第一关联聚合结果作为当前节点的更新向量表示； 将所述更新向量表示输入知识图谱嵌入表示模型中， 得到各节点的嵌入表示。 2.根据权利要求1所述的方法， 其特征在于， 所述将所述第 一关联聚合结果作为当前节 点的更新向量表示之后， 还 包括： 根据当前节点和邻 接节点的更新向量表示， 确定当前节点和邻 接节点之间的第 二关联 向量； 通过聚合函数将所述第 二关联向量进行聚合， 得到当前节点与 所有邻接节点之间的第 二关联聚合结果， 并将所述第二关联聚合结果作为当前节点的最终向量表示； 将所述最终向量表示输入知识图谱嵌入表示模型中， 得到各节点的嵌入表示。 3.根据权利要求1或2所述的方法， 其特征在于， 所述当前节点的邻 接节点， 包括在知识 图谱结构中与当前节点直接相连的邻接节点， 和/或， 在空间地理位置上与当前节点距离最 近的预设数量的邻接节点。 4.根据权利要求2所述的方法， 其特征在于， 所述根据当前节点和邻 接节点的更新向量 表示， 确定当前节点和邻接节点之间的第二关联向量， 包括： 将当前节点和邻接节点的更新向量表示进行拼接， 得到第二 拼接向量； 根据当前节点和邻 接节点之间的空间邻 近度和文本相似度， 确定当前节点和邻 接节点 之间的关联信息； 将所述关联信 息与所述第二拼接向量相乘， 得到当前节点和邻 接节点之间的第 二关联 向量。 5.根据权利要求2所述的方法， 其特征在于， 所述将所述最终向量表示输入知识图谱嵌 入表示模型中， 得到各节点的嵌入表示， 包括： 确定各节点的正样本集和负 样本集； 根据各节点的正样本集和负 样本集定义损失函数； 确定使损失函数达到最小值 时的最优参数， 并根据最优参数构建知识图谱嵌入表示模 型， 以用于确定各节点的嵌入表示。 6.根据权利要求5所述的方法， 其特征在于， 所述确定各节点的正样本集和负样本集， 包括： 确定知识图谱中各节点之间连线的归一化权重， 通过各节点在知识图谱中带权随机游 走预设长度， 生成各节点的正样本集； 若节点为地点节点， 则根据 该节点与其他地点节点的空间邻 近度确定该节点的负样本权　利　要　求　书 1/2 页 2 CN 113869516 B 2集； 若节点为非地点节点， 则从知识图谱中的其他所有节点中随机选取节点构 成该节点的 负样本集； 若节点负样本集中的样本已经在该节点的正样本集中， 则在该节点的负样本集 中舍弃该样本， 并重新进行选取。 7.一种知识图谱嵌入表示模型训练装置， 其特 征在于， 所述装置包括： 第一关联向量确定模块， 用于获取知识图谱中当前节点的邻接节点， 根据当前节点和 邻接节点的初始向量表示， 确定 当前节点和邻接节点之 间的第一关联向量； 其中， 所述节 点 用于表征知识图谱中的实体； 所述第一关联向量确定模块， 具体用于： 将当前节点和邻接节点的初始向量表示进行 拼接， 得到第一拼接向量； 根据当前节点和邻接节点之 间的空间邻近度和文本相似度， 确定 当前节点和邻接节点之间的关联信息； 将所述关联信息与所述第一拼接 向量相乘， 得到当 前节点和邻接节点之间的第一关联向量； 第一聚合结果确定模块， 用于通过聚合函数将所述第一关联向量进行聚合， 得到当前 节点与所有邻接节点之 间的第一关联聚合结果， 并将所述第一关联聚合结果作为当前节点 的更新向量表示； 第一模型训练模块， 用于将所述更新向量表示输入知识图谱嵌入表示模型中， 得到各 节点的嵌入表示。 8.一种电子设备， 其特 征在于， 所述电子设备包括： 一个或多个处 理器； 存储器， 用于存 储一个或多个程序； 当所述一个或多个程序被所述一个或多个处理器执行时， 所述一个或多个处理器实现 如权利要求1 ‑6中任一项所述的知识图谱嵌入表示模型训练方法。 9.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器执 行时实现如权利要求1 ‑6中任一项所述的知识图谱嵌入表示模型训练方法。权　利　要　求　书 2/2 页 3 CN 113869516 B 3