(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 202210310909.1 (22)申请日 2022.03.28 (71)申请人 中国科学技术大学 地址 230026 安徽省合肥市包河区金寨路 96号 (72)发明人 王杰　张占秋　陈佳俊　贺华瑞　 (74)专利代理 机构 北京凯特来知识产权代理有 限公司 1 1260 专利代理师 郑立明　付久春 (51)Int.Cl. G06F 16/36(2019.01) G06F 16/33(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 挖掘知识图谱中不同长度规则的可微规则 学习模型 (57)摘要 本发明公开了一种挖掘知识图谱中不同长 度规则的可微规则学习模型， 包括： 所述玩家单 元包括并列设置的若干玩家模块， 每个玩家模块 能根据输入的从知识 图谱中找到不同长度链式 逻辑规则的查询， 从知 识图谱中找到对应的链式 逻辑规则； 所述队长单元， 与所述玩家单元通信 连接， 能从所述玩家单元中选择合适的玩家模块 来处理对应的查询； 所述裁判单元， 分别与所述 队长单元和玩家单元通信连接， 能对 所述玩家单 元找到的链式逻辑规则进行评估， 得出评估反馈 结果， 用于所述玩家单元和队长单元根据所述评 估反馈结果改善自身。 该可微规则学习模型， 能 准确、 高效的从知识图谱中挖掘全部的链式逻辑 规则。 权利要求书2页 说明书10页 附图1页 CN 114547344 A 2022.05.27 CN 114547344 A 1.一种挖掘知识图谱中不同长度规则的可微 规则学习模型， 其特 征在于， 包括： 玩家单元、 队长单 元和裁判单 元； 其中， 所述玩家单元包括并列设置的若干玩家模块， 每个玩家模块能根据输入的从知识图谱 中找到不同长度链式逻辑规则的查询， 从知识图谱中找到与所述查询对应的链式逻辑规 则； 所述队长单元， 与所述玩家单元通信连接， 能从所述玩家单元中选择合适的玩家模块 来处理对应的查询， 从知识图谱中找到与所述 查询对应的链式逻辑 规则； 所述裁判单元， 分别与所述玩家单元和队长单元通信连接， 能对所述玩家单元找到的 链式逻辑规则进 行评估， 得出用于所述玩家单元和队长单元改善自身挖掘单一长度链式逻 辑规则性能的评估反馈结果。 2.根据权利要求1所述的挖掘知识图谱中不同长度规则的可微规则学习模型， 其特征 在于， 所述玩家单 元的每个玩家模块均采用循环神经网络； 所述队长单 元采用循环神经网络 。 3.根据权利要求1或2所述的挖掘知识图谱中不同长度规则的可微规则学习模型， 其特 征在于， 所述玩家模块Pt按以下公式从所述知识图谱中找到与 输入的所述查询对应的链式 逻辑规则， 包括： 其中， 各参数的含义为： α为链式逻辑规则的置信度； ex、 ey分别为实体x、 y的向量化表 示， 为向量ex的转置； 为第i个关系 所对应的邻接矩阵， i＝1至t， t为要挖掘逻辑 规则的预设长度。 4.根据权利要求3所述的挖掘知识图谱中不同长度规则的可微规则学习模型， 其特征 在于， 所述玩家模块Pt通过以下 方式针对查询q进行模型参数的学习， 包括： 其中， 为向量， 表示在挖掘长度为t的链式逻辑规则时， 第i步所 对应不同关系的权重， 1≤i≤t， t为要挖掘链式逻辑规则的预设长度； Wt和bt分别是作为玩 家模块Pt的权重生成神经网络的可训练参数； 是由作为玩家模块Pt的循环神经网络的隐 层向量； i nput是与查询q对应的嵌入向量。 5.根据权利要求3所述的挖掘知识图谱中不同长度规则的可微规则学习模型， 其特征 在于， 所述队长单元对给定的查询q， 按以下公式为每个玩家模块Pt分配一个权重Wq， 公式 为： 其中， 是为每一个玩家模块Pt分配的权重且 所述权重 以如下方式生成： γq＝softmax(input ·W)， 所述 是作为队长 单元的循环神经网络的可训练参数， inp ut是与查询q对应的嵌入向量， T 是预设的链式逻辑权　利　要　求　书 1/2 页 2 CN 114547344 A 2规则的最大长度。 6.根据权利要求1所述的挖掘知识图谱中不同长度规则的可微规则学习模型， 其特征 在于， 所述裁判单 元包括： 个人裁判模块和团队裁判模块； 所述个人裁判模块， 与所述玩家单元通信连接， 用于对所述玩家单元的每个玩家模块 挖掘其对应单一长度逻辑 规则的能力进行评估， 得 出评估反馈结果； 所述团队裁判模块， 与所述队长单元通信连接， 用于对所述队长单元选择的全部玩家 模块作为整体时挖掘不同长度链式逻辑 规则的能力进行评估， 得 出评估反馈结果。 7.根据权利要求6所述的挖掘知识图谱中不同长度规则的可微规则学习模型， 其特征 在于， 所述个人裁判模块采用对数逻辑似然函数； 所述团队裁判模块采用对数逻辑似然函数。 8.根据权利要求6或7所述的挖掘知识图谱中不同长度规则的可微规则学习模型， 其特 征在于， 所述个人裁判模块Rind采用以下负对数似然损失函数作为衡量所述玩家单元的每 个玩家模块的评估反馈结果 具体为： 其中， 各参数的含义为： ex、 ey分别为实体x、 y的向量化表示， 为向量ex的转置； 为 挖掘长度为t的链式逻辑 规则的玩家模块的输出； 所述团体裁判模块Rteam采用以下负 对数似然损失函数作为衡量所述队长 单元选择的全 部玩家模块的评估反馈结果 具体为： 其中， 各参数的含义为： ex、 ey分别为实体x、 y的向量化表示； 为向量ex的转置； Wq为所 述队长单 元的输出。 9.根据权利要求8所述的挖掘知识图谱中不同长度规则的可微规则学习模型， 其特征 在于， 所述可微 规则学习模型的整体损失函数L 为： 其中， LC是所述队长单元为选择的每个玩家模块分配不同权重的评估反馈结果； 是所述裁判单元的个人裁判模块衡量所述玩家单元的每个玩家模块的评估反馈结果； 是所述裁判单元的团体裁判模块衡量所述队长单元选择的全部玩家模块的评估反馈 结果。 10.根据权利要求1或2所述的挖掘知识图谱中不同长度规则的可微规则学习模型， 其 特征在于， 还包括： 规则还原单元， 分别与所述队长单元和玩家单元通信连接， 能根据所述 队长单元所学的权重 和所述玩家单元的玩家模块Pt所学的权重 来恢复链式逻辑规则； 其中， 表示所述队长单元学习的不同长度链式逻辑规则的置信度， 表示玩家模块Pt在 挖掘长度为t的链式逻辑 规则时， 第i 步所对应不同关系的权 重。权　利　要　求　书 2/2 页 3 CN 114547344 A 3