【技术实现步骤摘要】
一种层次感知的时态知识图谱表示学习方法
[0001]本专利技术属于时态知识图谱表示学习领域,具体涉及一种层次感知的时态知识图谱表示学习方法。
技术介绍
[0002]时态知识图谱,例如全球新闻事件库(GDELT)和综合危机预警系统(ICEWS),包含大量具有时间标记的知识,即事件。时态知识图谱中的事件以四元组(头实体、事件类型、尾实体、时间戳)的形式表示。时态知识图谱表示学习基于历史发生事件,将知识图谱中的实体和事件类型映射成低维、连续的向量表示,这对于社交网络分析等领域有着重要意义。
[0003]传统的时态知识图谱表示学习方法以向量表示学习、超平面的投影或张量分解的方式建模时间信息。这些方法只对时间信息进行简单建模,忽略了时间依赖。最近,序列模型的快速发展使得在时态知识图谱中建模事件之间的时间依赖变得可行。研究人员提出基于序列模型的时态知识图谱表示学习方法来建模事件之间的时间依赖。
[0004]基于序列模型的时态知识图谱表示学习方法利用序列学习模型建模时间依赖,具体可以细分为两类。第一类方法利用循环神经网络(RNN)与其变体,如门控循环神经网络(GRU)和长短时记忆模型(LSTM),建模事件之间的时间依赖。然而,这类方法忽略了邻居实体对表示的影响。
[0005]第二类方法将图卷积网络(GCNs)和循环神经网络结合,同时建模邻居实体及事件之间的时间依赖。在这类方法中,往往基于历史发生事件构建图,并通过图卷积网络聚合邻居实体。这类方法通常通过堆叠多个图卷积层来建模遥远的邻居实体。然而,加深图卷积的 ...
【技术保护点】
【技术特征摘要】
1.一种层次感知的时态知识图谱表示学习方法,其特征在于,包括以下步骤:(1)从对时态知识图谱中提取发生事件;(2)根据每个时刻的发生事件构建原图,建模实体之间的历史相关性;(3)在层次图发现网络中,利用层次映射器对原图进行处理以将实体映射到实体组,并通过隐式关系编码器,以端到端的方式推理成对实体组之间的隐式相关性;(4)在层次化耦合图卷积
‑
门控循环神经网络中,利用层次化图卷积对实体组和实体组之间的隐式相关性进行处理以更新每一个时刻的实体表示,并将不同时刻更新后的实体表示输入到门控循环神经网络中,获得包含历史信息和邻居信息的实体表示;(5)通过多标签分类器对实体表示进行处理以输出实体之间未来可能发生的所有事件。2.根据权利要求1所述的层次感知的时态知识图谱表示学习方法,其特征在于,步骤(1)中,提取的事件以四元组(s,r,o,t)的形式表示,其中,s代表头实体,r代表事件类型,o代表尾实体,t代表时间戳。ε代表实体集合,且s,o∈ε。代表事件类型集合,且代表事件类型集合,且代表时间戳集合,且3.根据权利要求1所述的层次感知的时态知识图谱表示学习方法,其特征在于,步骤(2)中,构建的原图表示为G
primal
=(V
primal
,E
primal
),其中V
primal
表示原图上的节点集合,E
primal
表示原图上的边集合,原图上的节点和边分别表示实体和实体之间发生的事件;如果实体e
i
到实体e
j
发生过事件,则认为他们之间存在一条从实体e
i
指向实体e
j
的一条边,边的计算公式如下所示:4.根据权利要求1所述的层次感知的时态知识图谱表示学习方法,其特征在于,步骤(3)中,通过层次映射器可以发现实体和实体组之间的多对多映射关系,利用层次映射器可以将实体表示e映射到实体组表示g,计算公式如下所示:其中,e
i
为实体表示,通过随机初始化得到,g
j
为实体组的表示,M
i,j
表示实体i被分配到实体组j的概率,N
e
为实体的数量。5.根据权利要求1或4所述的层次感知的时态知识图谱表示学习方法,其特征在于,步骤(3)中,通过隐式关系编码器,以端到端的方式推理成对实体组之间的隐式相关性,完成层次图G
hierachical
=(V
hierachical
,E
hierachical
)的发现,其中V
hierachical
表示层次图上的节点集合,E
hierachical
表示层次图上的边集合;层次图上的节点和边分别表示实体组和实体组之间的隐式相关性;将层次图G
hierachical
建模为全连接图,利用隐式关系编码器推理成对实体组之间的隐式相关性,计算公式如下所示:c
i,j
=ReLU(σ(g
i
,g
j
))
其中,g
i
和g
j
是实体组的表示,σ为编码函数,由多层感知机MLP实现。6.根据权利要求1所述的层次感知的时态知识图谱表示学习方法,其特征在于,步骤(4)中,层次化图卷积包含层次图卷积层和原图卷积层,在层次图卷积中,离彼此遥远的实体通过实体组共享信息,实体组的表示通过聚合和更新操作得到,聚合操作首先...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。