动态知识图谱补全方法、装置、电子设备和存储介质制造方法及图纸

本申请实施例提供的动态知识图谱补全方法、装置、电子设备和存储介质，通过训练好的所述动态知识图谱的概率预测模型对待补全的动态知识图谱的缺失部分进行预测，获得多个预测结果及每个预测结果对应的概率，其中，所述待补全的动态知识图谱的缺失部分包括头实体、尾实体及关系中的任意一种，再将概率最大的预测结果作为最终预测值进行补全，有效地完善了动态知识图谱中缺失的部分。

【技术实现步骤摘要】
动态知识图谱补全方法、装置、电子设备和存储介质
本申请涉及人工智能
，具体而言，涉及一种动态知识图谱补全方法、装置、电子设备和存储介质。
技术介绍
知识图谱(KnowledgeGraph)以结构化的形式描述客观世界中概念、实体及其关系，将互联网的信息表达成更接近人类认知世界的形式，提供了一种更好地组织、管理和理解互联网海量信息的能力，目前已经广泛地应用于人工智能的多个领域，例如自动问答、搜索引擎以及信息抽取。动态知识图谱通常以四元组的形式表示(头实体，关系，尾实体，时间)，例如(小明，学校，一中，2020)反映了2020年小明的学校是一中这件事实。然而，大多数现有的知识图谱(例如DBpedia、Freebase等)都是以半自动或者人工的方式构建，导致这些知识图谱非常稀疏，导致这些知识图谱非常稀疏，大量实体之间的隐含关系没有被充分地挖掘出来。知识图谱的不完整制约了人工智能领域各类应用的效能发挥，因此，如何将现有的知识图谱里的知识补充完整逐渐成为知识图谱领域有待研究的重要问题之一。专利技术内容有鉴于此，本文档来自技高网...

【技术保护点】
1.一种动态知识图谱补全方法，其特征在于，应用于电子设备，所述方法包括：/n获取待补全的动态知识图谱的四元组关系式，其中，所述四元组关系式包括头实体、尾实体、关系及动态事件发生的时间；/n通过训练好的所述动态知识图谱的概率预测模型对所述待补全的动态知识图谱的缺失部分进行预测，以获得多个预测结果及每个预测结果对应的概率，其中，所述待补全的动态知识图谱的缺失部分包括头实体、尾实体及关系中的任意一种；/n将概率最大的预测结果作为最终预测值对所述待补全的动态知识图谱进行补全。/n

【技术特征摘要】
1.一种动态知识图谱补全方法，其特征在于，应用于电子设备，所述方法包括：
获取待补全的动态知识图谱的四元组关系式，其中，所述四元组关系式包括头实体、尾实体、关系及动态事件发生的时间；
通过训练好的所述动态知识图谱的概率预测模型对所述待补全的动态知识图谱的缺失部分进行预测，以获得多个预测结果及每个预测结果对应的概率，其中，所述待补全的动态知识图谱的缺失部分包括头实体、尾实体及关系中的任意一种；
将概率最大的预测结果作为最终预测值对所述待补全的动态知识图谱进行补全。


2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
计算联合概率模型；
通过多个训练样本对所述联合概率模型进行训练获得训练好的概率预测模型，其中，所述训练样本包括完整的动态知识图谱。


3.根据权利要求2所述的方法，其特征在于，计算联合概率模型，包括：
通过多关系邻近聚合器获取所述训练样本中的头实体或尾实体的邻近领域的特征向量；
根据所述头实体或尾实体的邻近领域的特征向量计算所述训练样本的联合概率模型。


4.根据权利要求2所述的方法，其特征在于，所述通过多个训练样本对所述联合概率模型进行训练获得训练好的概率预测模型，包括：
将多个所述训练样本输入至联合概率模型中进行训练，并输出训练结果，其中，所述训练结果包括头实体训练结果、尾实体训练结果和关系训练结果中的任意一种；
通过预测损失函数计算所述训练结果与期望输出结果的差异值，并调整所述联合概率模型的模型参数，其中，所述预测损失函数包括头实体预测损失函数、尾实体预测损失函数及关系预测损失函数中的至少一种；
重复上述步骤，直至所述训练结果与期望输出结果的差异值收敛或达到训练次数达到预设值，获得训练好的所述动态知识图谱的概率预测模型。


5.根据权利要求3所述的方法，其特征在于，所述通过多关系邻近聚合器获取所述训练样本中的头实体或尾实体的邻近领域的特征向量，包括：
使用以下公式表示所述训练样本中的头实体的邻近领域的特征向量：



其中，h为头实体，t为尾实体，τ为动态事件发生的时间...

【专利技术属性】
技术研发人员：陆韵，沈贝伦，储宇晗，李永强，陈浩，陈宇，冯远静，
申请(专利权)人：杭州中奥科技有限公司，
类型：发明
国别省市：浙江;33