一种融合高速路机制和属性信息的知识图谱实体对齐方法

本发明涉及知识图谱数据处理领域，特别涉及一种融合高速路机制和属性信息的知识图谱实体对齐方法。

背景技术：

1、知识图谱实体对齐目的是找到不同知识图谱中指向现实世界中同一对象的过程。现在的知识图谱有关实体对齐的方法不管是传统实体对齐还是基于表示学习的实体对齐方法主要关注实体本身和关系信息而忽略了属性信息，而知识图谱的属性信息对提高实体对齐的准确率也很重要。目前而言大多数实体对齐的方法是需要根据标注数据进行对齐的，并且这些方法都是以标注的数据为真为前提的，但是标注数据中也可能会存在错误的数据，这些数据在很大程度的上会影响实体对齐的准确率。为此提出一种融合高速路机制和属性信息的知识图谱实体对齐方法。

技术实现思路

1、本发明要解决的技术问题是克服现有技术的缺陷，提供一种融合高速路机制和属性信息的知识图谱实体对齐方法。

2、为了解决上述技术问题，本发明提供了如下的技术方案：

3、一种融合高速路机制和属性信息的知识图谱实体对齐方法，包括以下步骤：

4、步骤1，获取知识图谱kg1和kg2的数据以及一部分预对齐的实体种子集s；

5、步骤2，将两个知识图谱进行知识抽取，获得知识表示；

6、步骤3，通过已有知识进行模型构建获得结构向量模型；

7、步骤4，在结构向量模型中使用图神经网络将kg1和kg2的实体映射到同一低维向量空间；

8、步骤5，在图神经网络中使用高速门机制过滤相关实体和属性信息以实现异构知识图谱之间更细粒度更准确的实体对齐。

9、作为本发明的一种优选技术方案，所述结构向量模型包括三部分，分别为；

10、关系实体的实体对齐、属性信息的实体对齐和融合关系实体和属性信息的实体对齐。

11、作为本发明的一种优选技术方案，所述结构向量模型为两层gcn模型。

12、作为本发明的一种优选技术方案，在步骤2中，知识抽取分为实体抽取、关系抽取和属性抽取，所获得的知识表示进行实体对齐时进行实体消歧和指代消歧。

13、作为本发明的一种优选技术方案，在步骤5中采用highway gates机制进行过滤，具体机制表示为：

14、

15、是highway gates的权重和偏置，即为gcn中输出层的门系数，是gcn的输出层、输入层的加权和。

16、与现有技术相比，本发明的有益效果如下：

17、本发明通过利用带有高速路门机制highway gates图卷积的表示方法，学习关系三元组和属性信息的嵌入表示，使用两层gcn模型,首先通过gcn，高速路门机制，第二次gcn的过程控制了实体进入的数量减少了候选项，并降低了噪声。

技术特征：

1.一种融合高速路机制和属性信息的知识图谱实体对齐方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种融合高速路机制和属性信息的知识图谱实体对齐方法，其特征在于，所述结构向量模型包括三部分，分别为；

3.根据权利要求2所述的一种融合高速路机制和属性信息的知识图谱实体对齐方法，其特征在于，所述结构向量模型为两层gcn模型。

4.根据权利要求1所述的一种融合高速路机制和属性信息的知识图谱实体对齐方法，其特征在于，在步骤2中，知识抽取分为实体抽取、关系抽取和属性抽取，所获得的知识表示进行实体对齐时进行实体消歧和指代消歧。

5.根据权利要求1所述的一种融合高速路机制和属性信息的知识图谱实体对齐方法，其特征在于，在步骤5中采用highway gates机制进行过滤，

技术总结
本发明公开了一种融合高速路机制和属性信息的知识图谱实体对齐方法，包括以下步骤：获取知识图谱KG1和KG2的数据以及一部分预对齐的实体种子集S；将两个知识图谱进行知识抽取，获得知识表示；通过已有知识进行模型构建获得结构向量模型；在结构向量模型中使用图神经网络将KG1和KG2的实体映射到同一低维向量空间；在图神经网络中使用高速门机制过滤相关实体和属性信息以实现异构知识图谱之间更细粒度更准确的实体对齐。通过利用带有高速路门机制Highway gates图卷积的表示方法，学习关系三元组和属性信息的嵌入表示，使用两层GCN模型,首先通过GCN，高速路门机制，第二次GCN的过程控制了实体进入的数量减少了候选项，并降低了噪声。

技术研发人员：时慧芳
受保护的技术使用者：昆明理工大学
技术研发日：
技术公布日：2024/1/13