一种链路预测模型、知识图谱链路预测方法及相关装置与流程

本发明属于量子计算，特别是一种链路预测模型、知识图谱链路预测方法及相关装置。

背景技术：

1、知识图谱又称知识库，是一种使用节点表示实体、边表示关系的特殊的网络结构，最初被用于优化搜索引擎返回的结果，以提高搜索质量和用户的搜索体验。知识图谱能有效地表示数据资源，高效地查找复杂关联信息，具有杰出的语义处理能力，因此一经提出就受到广泛的关注与研究。

2、知识图谱通常是通过人工构建或者自动抽取实体和关系信息得到的，而获取到的实体信息由于受到了限制或者具有不完整的缺点，随着构建的知识图谱的规模不断扩大，知识图谱中的关系往往存在缺失的情况，知识完备性远远不能达到要求，因此知识图谱补全的任务便迫在眉睫。其中，链路预测模型就是通过预测知识图谱中实体间的关系，完成对知识图谱的补全任务。但当前的知识图谱中所涉及到的数据是多类型的，其中存储有各个领域的知识，而在面对这些海量数据时，传统的链路预测模型的性能、速率都会受到影响，难以准确预测节点间的关系。

3、而量子计算机是一类遵循量子力学规律进行高速数学和逻辑运算、存储及处理量子信息的物理装置。量子计算机因其具有相对普通计算机更高效的处理数学问题的能力，例如，能将破解密钥的时间从数百年加速到数小时，故成为一种正在研究中的关键技术。因此，如何设计一种新型的链路预测模型，以充分利用量子计算的高速计算特性执行知识图谱链路预测任务，实现对大规模、复杂的知识图谱的补全，是一个急需解决的问题。

技术实现思路

1、本发明的目的是提供一种链路预测模型、知识图谱链路预测方法及相关装置，旨在利用量子计算的高速计算特性执行知识图谱链路预测任务，实现对大规模、复杂的知识图谱的补全。

2、本发明的一个实施例提供了一种链路预测模型，包括量子神经网络和经典神经网络，其中：

3、所述量子神经网络用于利用知识图谱中的路径特征信息构建得到路径特征向量；其中，所述路径特征信息基于所述知识图谱中各实体节点的连接关系得到，所述知识图谱中的实体节点包括目标三元组的头实体和尾实体；

4、所述经典神经网络用于将所述路径特征向量与所述目标三元组对应的隐藏特征向量进行融合，得到目标特征向量，并测量所述目标特征向量的置信度，基于所述置信度确定是否在所述知识图谱中添加所述目标三元组中的预设关系；其中，所述预设关系为所述头实体和尾实体之间的待预测关系。

5、可选的，所述量子神经网络包括编码层，所述编码层包括作用于每一量子比特的h门，和用于制备目标量子态的u门；其中，所述目标量子态中包含所述路径特征信息。

6、可选的，所述u门对应的酉矩阵由所述目标三元组中的头实体和尾实体在所述知识图谱中的最短路径，和，基于所述知识图谱中各实体节点的连接关系得到的有向邻接矩阵共同决定。

7、可选的，所述u门对应的酉矩阵通过以下方式获得：

8、确定所述目标三元组中的头实体和尾实体在所述知识图谱中的最短路径；

9、确定所述最短路径中的各子路径的路径长度；

10、利用所述知识图谱中各实体节点的连接关系，获得所述各子路径的路径长度对应的各实体节点的有向邻接矩阵；

11、基于所获得的有向邻接矩阵，构建所述u门对应的酉矩阵。

12、可选的，所述基于所获得的有向邻接矩阵，构建所述u门对应的酉矩阵，包括：

13、基于以下公式构建所述u门对应的酉矩阵：

14、

15、其中，ak表示所述知识图谱中路径长度为k的各实体节点的有向邻接矩阵，k的取值范围为[1,k]，k表示所述各子路径的路径长度中的最大值。

16、可选的，所述量子神经网络还包括变分层，所述变分层包括至少一个子变分层，每一所述子变分层包括作用于相邻量子比特上的cnot门，和作用于每一量子比特的至少一个含参量子逻辑门。

17、可选的，所述目标三元组对应的隐藏特征向量通过利用经典卷积网络，或利用基于变分量子线路构建的量子卷积网络，对所述目标三元组对应的目标矩阵进行特征提取并降维得到；其中，所述目标矩阵基于所述目标三元组的头实体向量、关系向量和尾实体向量中的至少两项构建得到。

18、本发明的又一实施例提供了一种知识图谱链路预测方法，所述方法包括：

19、获取上述任一实施例中所述的链路预测模型；

20、选择知识图谱中的两个实体节点，作为头实体和尾实体，并设置该头实体和尾实体之间的待预测关系，构建得到待预测三元组；

21、将所述知识图谱和所述待预测三元组对应的隐藏特征向量输入所述链路预测模型，利用所述链路预测模型获取所述待预测三元组对应的置信度；

22、若所述置信度满足预设条件，将所述待预测关系添加到所述知识图谱中。

23、本发明的又一实施例提供了一种知识图谱链路预测装置，所述装置包括：

24、获取模块，用于获取上述任一实施例中所述的链路预测模型；

25、构建模块，用于选择知识图谱中的两个实体节点，作为头实体和尾实体，并设置该头实体和尾实体之间的待预测关系，构建得到待预测三元组；

26、预测模块，用于将所述知识图谱和所述待预测三元组对应的隐藏特征向量输入所述链路预测模型，利用所述链路预测模型获取所述待预测三元组对应的置信度；

27、更新模块，用于若所述置信度满足预设条件，将所述待预测关系添加到所述知识图谱中。

28、本发明的又一实施例提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述实施例中所述的方法。

29、本发明的又一实施例提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述实施例中所述的方法。

30、本实施例提供的方案中，利用量子计算的高速并行计算能力和量子纠缠的特性，量子神经网络可以获取知识图谱中实体节点的路径信息的特征表示，在执行大规模、复杂知识图谱的补全任务时，突破了经典计算机的运行能力限制，提升了链路预测模型的特征获取能力。经典神经网络可以将路径特征向量与目标三元组对应的隐藏特征向量进行融合，得到目标特征向量；目标特征向量既包含有目标三元组的隐藏特征信息，也包含了知识图谱中实体节点的路径信息的特征表示。进而基于该目标特征向量预测目标三元组是否正确时，可以将路径特征作为置信度预测的补充信息，从而充分利用知识图谱中的潜在特征，提升了链路预测模型对目标三元组的预测能力。利用本方案提供的链路预测模型执行对知识图谱的补全任务，有助于改进知识图谱的质量，增强知识图谱在大量下游任务如推荐系统、问答系统、自然语言处理等任务中的可用性。

技术特征：

1.一种链路预测模型，其特征在于，包括量子神经网络和经典神经网络，其中：

2.如权利要求1所述的链路预测模型，其特征在于，所述量子神经网络包括编码层，所述编码层包括作用于每一量子比特的h门和用于制备目标量子态的u门；其中，所述目标量子态中包含所述路径特征信息。

3.如权利要求2所述的链路预测模型，其特征在于，所述u门对应的酉矩阵由所述目标三元组中的头实体和尾实体在所述知识图谱中的最短路径，和，基于所述知识图谱中各实体节点的连接关系得到的有向邻接矩阵共同决定。

4.如权利要求3所述的链路预测模型，其特征在于，所述u门对应的酉矩阵通过以下方式获得：

5.如权利要求4所述的链路预测模型，其特征在于，所述基于所获得的有向邻接矩阵，构建所述u门对应的酉矩阵，包括：

6.如权利要求2所述的链路预测模型，其特征在于，所述量子神经网络还包括变分层，所述变分层包括至少一个子变分层，每一所述子变分层包括作用于相邻量子比特上的cnot门，和作用于每一量子比特的至少一个含参量子逻辑门。

7.如权利要求1所述的链路预测模型，其特征在于，所述目标三元组对应的隐藏特征向量通过利用经典卷积网络，或利用基于变分量子线路构建的量子卷积网络，对所述目标三元组对应的目标矩阵进行特征提取并降维得到；其中，所述目标矩阵基于所述目标三元组的头实体向量、关系向量和尾实体向量中的至少两项构建得到。

8.一种知识图谱链路预测方法，其特征在于，所述方法包括：

9.一种知识图谱链路预测装置，其特征在于，所述装置包括：

10.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求8中所述的方法。

11.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求8中所述的方法。

技术总结本发明公开了一种链路预测模型、知识图谱链路预测方法及相关装置，属于量子计算技术领域，链路预测模型包括量子神经网络和经典神经网络，量子神经网络用于利用知识图谱中的路径特征信息构建得到路径特征向量，其中，路径特征信息基于知识图谱中各实体节点的连接关系得到，知识图谱中的实体节点包括目标三元组的头实体和尾实体；经典神经网络用于将路径特征向量与目标三元组对应的隐藏特征向量进行融合，得到目标特征向量，并测量目标特征向量的置信度，基于置信度确定是否在知识图谱中添加目标三元组中的预设关系，其中，预设关系为头实体和尾实体之间的待预测关系。利用量子计算的高速并行计算能力和量子纠缠的特性，提升了链路预测模型的特征获取能力；并且将路径特征作为置信度预测的补充信息，从而充分利用知识图谱中的潜在特征，提升了链路预测模型对目标三元组的预测能力。技术研发人员：窦猛汉,请求不公布姓名,请求不公布姓名,请求不公布姓名受保护的技术使用者：本源量子计算科技（合肥）股份有限公司技术研发日：技术公布日：2024/9/9