基于逻辑推理和图卷积的复杂网络链接预测方法及系统技术方案

本发明专利技术公开了一种基于逻辑推理和图卷积的复杂网络链接预测方法及系统。该方法包括：构建复杂网络对应的知识图谱，并获取训练集；通过带缺省的一阶逻辑推理网络对训练集中的各实体对进行关系推理，并通过映射获得关系置信度矩阵；基于关系置信度矩阵，通过集中训练分散执行机制和局部关系注意力机制对基于迭代注意力的图卷积神经网络进行迭代训练，获取第一概率分布；根据网络迭代输出的关系权重矩阵和关系置信度矩阵计算第二概率分布；根据联合评价函数获取第一概率分布和第二概率分布之间的Wasserstein距离；根据Wasserstein距离迭代更新两个网络得到链接预测模型；根据链接预测模型补全知识图谱。本发明专利技术链接预测效率高。

【技术实现步骤摘要】
基于逻辑推理和图卷积的复杂网络链接预测方法及系统
本专利技术属于复杂网络分析
，尤其涉及到一种基于逻辑推理和图卷积的复杂网络链接预测方法及系统。
技术介绍
复杂网络是社交网络、引文网络、生物代谢网络、合作关系网络等真实网络的一种抽象，知识图谱中的问题大部分可以用网络形式表达，要构建完整的复杂网络可以与知识图谱相结合，通过链接预测去完成。链接预测任务是预测复杂网络中丢失的边，或者预测未来可能出现的边，而知识图谱存储着实体和实体间的复杂关系，包含大量由实体和实体间的关系构成的事实三元组，但在大规模的知识图谱中由于数据的稀疏性，知识是不完备的，存在很多隐含的知识还未被挖掘出来，需要进行链接预测任务。现有的复杂网络链接预测方法常采用R-GCN(RelationalGraphConvolutionalNetwork，关系图卷积网络)，但R-GCN的链接预测性能低。
技术实现思路
基于此，有必要针对上述技术问题，提供一种基于逻辑推理和图卷积的复杂网络链接预测方法及系统。基于上述目的，第一方面，本专利技术提供一种基于逻辑推理本文档来自技高网...

【技术保护点】
1.一种基于逻辑推理和图卷积的复杂网络链接预测方法，其特征在于，包括：/n构建复杂网络对应的初始知识图谱，基于所述初始知识图谱获取训练集；/n通过带缺省的一阶逻辑推理网络对所述训练集中的各实体对进行关系推理，获取各所述实体对的关系置信度，并通过映射得到关系置信度矩阵；/n将所述关系置信度矩阵输入基于迭代注意力的图卷积神经网络，并通过集中训练分散执行机制和局部关系注意力机制对所述基于迭代注意力的图卷积神经网络进行迭代训练，获取第一概率分布；/n获取所述基于迭代注意力的图卷积神经网络一次迭代之后输出的关系权重矩阵，根据所述关系权重矩阵和所述关系置信度矩阵计算第二概率分布；/n根据联合评价函数获取所...

【技术特征摘要】
1.一种基于逻辑推理和图卷积的复杂网络链接预测方法，其特征在于，包括：
构建复杂网络对应的初始知识图谱，基于所述初始知识图谱获取训练集；
通过带缺省的一阶逻辑推理网络对所述训练集中的各实体对进行关系推理，获取各所述实体对的关系置信度，并通过映射得到关系置信度矩阵；
将所述关系置信度矩阵输入基于迭代注意力的图卷积神经网络，并通过集中训练分散执行机制和局部关系注意力机制对所述基于迭代注意力的图卷积神经网络进行迭代训练，获取第一概率分布；
获取所述基于迭代注意力的图卷积神经网络一次迭代之后输出的关系权重矩阵，根据所述关系权重矩阵和所述关系置信度矩阵计算第二概率分布；
根据联合评价函数获取所述第一概率分布和所述第二概率分布之间的Wasserstein距离；
根据所述Wasserstein距离迭代更新所述带缺省的一阶逻辑推理网络和所述基于迭代注意力的图卷积神经网络，获取链接预测模型；
根据所述链接预测模型补全所述初始知识图谱。


2.如权利要求1所述的基于逻辑推理和图卷积的复杂网络链接预测方法，其特征在于，所述根据带缺省的一阶逻辑推理网络对所述训练集中的各实体对进行关系推理，获取各所述实体对的关系置信度，并通过映射得到关系置信度矩阵，包括：
构建带缺省规则的知识库；
基于所述带缺省规则的知识库，通过所述带缺省的一阶逻辑推理网络中包含的多类规则对所述训练集中的各所述实体对进行关系推理；
对通过多类规则推理成功的所述实体对进行置信度评估，获取所述实体对的关系置信度；
确定所述关系置信度小于预设的置信度阈值的所述实体对，并将所述实体对对应的缺省规则映射至连续空间中，获得关系置信度矩阵。


3.如权利要求1所述的基于逻辑推理和图卷积的复杂网络链接预测方法，其特征在于，所述将所述关系置信度矩阵输入基于迭代注意力的图卷积神经网络，并通过集中训练分散执行机制和局部关系注意力机制对所述基于迭代注意力的图卷积神经网络进行迭代训练，获取第一概率分布，包括：
通过独热编码获取实体对应节点的子特征和邻居特征，累加得到特征矩阵；
根据节点间关系获取所述节点的邻接矩阵，拼接得到全局邻接矩阵；
将所有所述节点的所述特征矩阵、所述邻接矩阵以及所述全局邻接矩阵输入所述基于迭代注意力的图卷积神经网络进行迭代训练，获取各所述节点的关系权重矩阵；
将所述关系置信度矩阵输入至所述基于迭代注意力的图卷积神经网络，通过局部关系注意力机制输出第一概率分布。


4.如权利要求3所述的基于逻辑推理和图卷积的复杂网络链接预测方法，其特征在于，所述将所述关系置信度矩阵输入基于迭代注意力的图卷积神经网络，并通过集中训练分散执行机制和局部关系注意力机制对所述基于迭代注意力的图卷积神经网络进行迭代训练，获取第一概率分布，还包括：
获取所述基于迭代注意力的图卷积神经网络一次迭代之后输出的所有所述节点的所述邻接矩阵，将拼接得到的新的全局邻接矩阵输入预设损失函数计算损失值，以根据所述损失值优化所述基于迭代注意力的图卷积神经网络；所述预设损失函数为：



其中，fL为所述预设损失函数；为初始的不完全边子集；G为三元组的集合；为逻辑Sigmoid函数；f(w,e,r)为知识图谱中三元组gi＝(wi,ei,ri)分配的分数；y为二值函数。


5.如权利要求3所述的基于逻辑推理和图卷积的复杂网络链接预测方法，其特征在于，所述将所述关系置信度矩阵输入至所述基于迭代注意力的图卷积神经网络，通过局部关系注意力机制输出第一概率分布，包括：
获取初始关系注意力；
根据所述初始关系注意力和所述关系置信度矩阵获得第一层的关系注意力；
通过两...

【专利技术属性】
技术研发人员：黄健，张家瑞，高家隆，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南;43