(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 202210015911.6 (22)申请日 2022.01.07 (71)申请人 中国铁道科 学研究院集团有限公司 地址 100081 北京市海淀区大柳树路2号 申请人 中国铁道科 学研究院集团有限公司 电子计算技术研究所 　 西南交通大 学 (72)发明人 李平　隆易悦　杜圣东　栾中　 曹鸿飞　吴艳华　王虎　刘文斌　 贺晗　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 专利代理师 吴刚 (51)Int.Cl. G06F 16/36(2019.01)G06F 40/30(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于卷积神经网络的知识图谱表示方法及 装置 (57)摘要 本发明提供一种基于卷积神经网络的知识 图谱表示方法及装置， 该方法包括： 基于自然语 言处理方法获取目标知识 图谱中每个实体和关 系的第一语义向量， 将实体的第一语义向量作为 每个三元 组中尾实体的第一语义向量； 将目标知 识图谱的每个三元组中头实体的第一语义向量 通过每个三元组中关系的语义向量进行平移， 作 为每个三元 组中尾实体的第二语义向量； 将每个 三元组中头实体的第一语义向量、 关系的第一语 义向量和第二语义向量输入卷积神经网络中， 输 出每个三元 组中头实体的第一语义向量、 关系的 第一语义向量和尾实体的每个第一语义向量构 成的新三元组是否为正样例； 若是， 则使用新三 元组表示目标知识图谱。 本发明实现对知识图谱 的精确表示。 权利要求书2页 说明书9页 附图2页 CN 114461811 A 2022.05.10 CN 114461811 A 1.一种基于卷积神经网络的知识图谱表示方法， 其特 征在于， 包括： 基于自然语言处理方法获取目标知识图谱中每个实体和关系的第 一语义向量， 将所有 实体的第一语义向量作为每 个三元组中尾实体的第一语义向量； 将所述目标知识图谱的每个三元组中头实体的第一语义向量通过每个三元组中关系 的语义向量进行平 移， 作为每 个三元组中尾实体的第二语义向量； 将每个三元组中头实体的第 一语义向量、 关系的第 一语义向量和所述第 二语义向量输 入卷积神经网络中， 输出每个三元组中头实体的第一语义向量、 关系的第一语义向量和尾 实体的每个第一语义向量构成的新三元组是否为正样例； 若是， 则使用所述新三元组表示 所述目标知识图谱； 其中， 所述卷积神经网络通过以样本知识图谱的三元组中头实体的第 一语义向量和关 系的第一语义向量为样本， 以所述样本知识图谱的三元组中头实体的第一语义向量、 关系 的第一语义向量和尾实体的每个第一语义向量构成的新三元组是否为正样例为标签进行 训练得到 。 2.根据权利要求1所述的基于卷积神经网络的知识图谱表示方法， 其特征在于， 所述将 每个三元组中头实体的第一语义向量、 关系的第一语义向量和所述第二语义向量输入卷积 神经网络中， 输出每个三元组中头实体的第一语义向量、 关系的第一语义向量和尾实体的 每个第一语义向量构成的新 三元组是否为 正样例， 包括： 将所述头实体的第 一语义向量、 关系的第 一语义向量和尾实体的第 二语义向量输入卷 积神经网络中的一维卷积层； 将所述一维卷积层的输出输入到所述卷积神经网络中的二维卷积层； 根据所述二维卷积层的输出和所述尾实体的每个第 一语义向量， 判断所述头实体的第 一语义向量、 关系的第一语义向量和尾实体的每个第一语义向量构成的新三元组是否为正 样例。 3.根据权利要求2所述的基于卷积神经网络的知识图谱表示方法， 其特征在于， 所述将 所述一维卷积层的输出输入到所述卷积神经网络中的二维卷积层， 包括： 将所述一维卷积层的输出、 实体的第一语义向量和关系的第一语义向量进行拼接； 将拼接结果输入到所述卷积神经网络中的二维卷积层。 4.根据权利要求2所述的基于卷积神经网络的知识图谱表示方法， 其特征在于， 所述根 据所述二 维卷积层的输出和所述尾实体的每个第一语义向量， 判断所述头实体的第一语义 向量、 关系的第一语义向量和尾实体的每个第一语义向量构成的新三元组是否为正样例， 包括： 基于评分函数根据所述二维卷积层的输出和所述尾实体的每个第 一语义向量， 获取所 述新三维组的评分； 根据所述新三维组的评分， 确定所述头实体的第一语义向量、 关系的第一语义向量和 尾实体的每 个第一语义向量构成的新 三元组为 正样例的概 率； 根据所述概率确定所述头实体的第 一语义向量、 关系的第 一语义向量和尾实体的每个 第一语义向量构成的新 三元组是否为 正样例。 5.根据权利要求4所述的基于卷积神经网络的知识图谱表示方法， 其特征在于， 所述根 据所述新三维组的评分， 确定所述头实体的第一语义向量、 关系的第一语义向量和尾实体权　利　要　求　书 1/2 页 2 CN 114461811 A 2的每个第一语义向量构成的新 三元组为 正样例的概 率， 包括： 基于sigmoid函数根据所述新三维组的评分， 确定所述头实体的第一语义向量、 关系的 第一语义向量和尾实体的每 个第一语义向量构成的新 三元组为 正样例的概 率。 6.根据权利要求1 ‑5任一所述的基于卷积神经网络的知识图谱表示方法， 其特征在于， 对所述卷积神经网络进行训练的损失函数为softmax回归损失函数。 7.一种基于卷积神经网络的知识图谱表示装置， 其特 征在于， 包括： 处理模块， 用于基于自然语言处理方法获取目标知识图谱中每个实体和关系的第 一语 义向量， 将所有实体的第一语义向量作为每 个三元组中尾实体的第一语义向量； 平移模块， 用于将所述目标知识图谱的每个三元组中头实体的第 一语义向量通过每个 三元组中关系的语义向量进行平 移， 作为每 个三元组中尾实体的第二语义向量； 表示模块， 用于将每个三元组中头实体的第一语义向量、 关系的第一语义向量和所述 第二语义向量输入卷积神经网络中， 输出每个三元组中头实体的第一语义向量、 关系的第 一语义向量和尾实体的每个第一语义向量构成的新三元组是否为正样例； 若是， 则使用所 述新三元组表示所述目标知识图谱； 其中， 所述卷积神经网络通过以样本知识图谱的三元组中头实体的第 一语义向量和关 系的第一语义向量为样本， 以所述样本知识图谱的三元组中头实体的第一语义向量、 关系 的第一语义向量和尾实体的第一语义向量构成的新三元组是否为正样例为标签进行训练 得到。 8.一种电子设备， 包括存储器、 处理器及存储在所述存储器上并可在所述处理器上运 行的计算机程序， 其特征在于， 所述处理器执行所述程序时实现如权利要求1至6任一项所 述基于卷积神经网络的知识图谱表示方法的步骤。 9.一种非暂态计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机 程序被处理器执行时实现如权利要求1至6任一项所述基于卷积神经网络的知识图谱表示 方法的步骤。 10.一种计算机程序产品， 包括计算机程序， 其特征在于， 所述计算机程序被处理器执 行时实现如权利要求1至 6任一项所述基于卷积神经网络的知识图谱表示方法的步骤。权　利　要　求　书 2/2 页 3 CN 114461811 A 3