本发明属于人工智能和机器学习技术领域，涉及一种知识图谱表示学习的关系发现方法主要应用于知识图谱的学习和推理过程，达到丰富和拓展知识图谱的目的。
背景技术：
知识图谱(knowledgegraph)作为一种新的知识表示方法和数据管理模式，在自然语言处理、问题回答、信息检索等领域有着重要的应用。知识图谱是结构化的语义知识库，用于以符号形式描述物理世界中的概念及其相互关系，其主要采用(head,relation,tail)三元组形式进行知识表示，head是头实体，tail是尾实体，relation是关系，实体之间是通过关系相互联结，形成了网状的知识结构。
知识图谱推理是从已有的实体关系三元组，经过推理计算，建立起实体间的新关系，从而丰富和拓展知识图谱。采用知识图谱表示学习方法是高维知识图谱通过嵌入(embedding)转换到低维连续向量空间，然后通过向量运算可以挖掘实体间的潜在关系。
技术实现要素：
本发明的目的，在于提供一种知识图谱表示学习方法，主要应用于知识图谱的学习和推理过程，达到丰富和拓展知识图谱的目的。
本发明的技术方案如下：
一种知识图谱表示学习的关系发现方法，其特征在于包括以下步骤：
步骤1，从现有图谱中提取实体集、关系集、三元组集合；
步骤2，初始化关系向量及实体向量，对于每个向量的每个维度在[-6/√k，6/√k]内随机取一个值，k为低维向量维数，对所有向量初始化之后要进行归一化；
步骤3，采用minibatch训练数据，对每批数据进行负采样；
步骤4，采用梯度下降法对模型参数进行调整；
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向量计算，重复步骤3至步骤4，直到训练集全部的三元组都被执行；
步骤6，输出模型中相应的实体集和关系集。
本发明可用于丰富知识图谱。
具体实施方式
本发明的实现过程如下：
步骤1，从现有图谱中提取实体集、关系集、三元组集合；
步骤2，初始化关系向量及实体向量，对于每个向量的每个维度在[-6/√k，6/√k]内随机取一个值，k为低维向量维数，对所有向量初始化之后要进行归一化；
步骤3，采用minibatch训练数据，对每批数据进行负采样；
步骤4，采用梯度下降法对模型参数进行调整；
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向量计算，重复步骤3至步骤4，直到训练集全部的三元组都被执行；
步骤6，输出模型中相应的实体集和关系集。
1.一种知识图谱表示学习的关系发现方法，其特征在于包括以下步骤：
步骤1，从现有图谱中提取实体集、关系集、三元组集合；
步骤2，初始化关系向量及实体向量，对于每个向量的每个维度在[-6/√k，6/√k]内随机取一个值，k为低维向量维数，对所有向量初始化之后要进行归一化；
步骤3，采用minibatch训练数据，对每批数据进行负采样；
步骤4，采用梯度下降法对模型参数进行调整；
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向量计算，重复步骤3至步骤4，直到训练集全部的三元组都被执行；
步骤6，输出模型中相应的实体集和关系集。