联邦教育知识图谱补全方法、设备及介质技术

本发明专利技术公开了一种联邦教育知识图谱补全方法、设备及介质，摒弃中央服务器，保护教育数据持有方隐私数据，采用全局关系学习和本地节点感知强化建立教育知识图谱。该方法包括：将满足要求的节点分为训练节点和对抗委员会节点；获取对应全局教育知识图谱补全模型第一权重；对本地教育知识图谱补全模型训练，得到本地教育知识图谱补全模型第二权重；将第二权重传递到对抗委员会节点；上传第二权重至区块链；当区块链上第二权重个数大于预设值，触发全局教育知识图谱补全模型权重聚合，更新全局教育知识图谱补全模型权重，得到全局教育知识图谱补全模型第三权重；当全局教育知识图谱补全模型第三权重变化值小于阈值，保存全局教育知识图谱补全模型。知识图谱补全模型。知识图谱补全模型。

【技术实现步骤摘要】
联邦教育知识图谱补全方法、设备及介质


[0001]本专利技术涉及人工智能技术以及教育领域，尤其涉及一种联邦教育知识图谱补全方法、设备及介质。

技术介绍

[0002]随着人工智能的飞速发展，知识图谱技术逐渐成熟，被广泛应用于各种不同的领域，如推荐系统、搜索引擎、智能问答系统等。在教育领域中，很多机构都有各自的教育知识图谱，但由于数据隐私逐渐受到人们的重视，各方面的数据往往不能共享，这也导致了教育知识图谱的不完备问题尤为突出。相关技术中，通过联邦学习，能够联合若干个不同的机构构建更为完善的知识图谱。但是传统的联邦学习架构下，整个训练过程很大程度上取决于服务器的状态，容易出现模型训练过程被延迟的情况。另外，中心化的服务器可能使得教育数据持有方的隐私数据被获取，或者恶意地污染全局模型导致模型训练过程受到影响。

技术实现思路

[0003]为了解决上述技术问题的至少之一，本专利技术提出联邦教育知识图谱补全方法、设备及介质，能够摒弃传统的第三方中央服务器，较好地保护教育数据持有方的隐私数据，并且能够有效降低全局模型被污染概率，从而建立较为完善的教育知识图谱。
[0004]第一方面，本专利技术实施例提供了一种联邦教育知识图谱补全方法，包括以下步骤：
[0005]将全局教育知识图谱补全模型中满足预设要求的节点分为训练节点和对抗委员会节点；
[0006]获取所述训练节点对应所述全局教育知识图谱补全模型中的第一权重；
[0007]根据所述第一权重对本地教育知识图谱补全模型训练，更新所述本地教育知识图谱补全模型的权重，得到所述本地教育知识图谱补全模型的第二权重；
[0008]将所述第二权重传递到所述对抗委员会节点；
[0009]确定所述对抗委员会节点对所述第二权重验证通过，将所述第二权重上传至区块链上；
[0010]确定所述区块链上的所述第二权重的个数大于预设值，触发所述全局教育知识图谱补全模型的权重聚合步骤，更新所述全局教育知识图谱补全模型的权重，得到所述全局教育知识图谱补全模型的第三权重；
[0011]将所述第三权重上传至所述区块链；
[0012]确定所述全局教育知识图谱补全模型的第三权重的变化值小于阈值，对所述全局教育知识图谱补全模型进行保存。
[0013]根据本专利技术实施例的一种联邦教育知识图谱补全方法，至少具有如下有益效果：将全局教育知识图谱补全模型中满足预设要求的分为训练节点和对抗委员会节点，训练节点获取对应的全局教育知识图谱补全模型的权重后进行本地教育知识图谱补全模型训练，通过对抗委员会节点对本地教育知识图谱补全模型的权重进行验证打分，即对本地教育知
识图谱补全模型的第二权重进行验证打分。对抗委员会节点能够降低发生样本不均匀的情况，减少一些恶意节点的攻击次数以及减缓全局模型偏向某一类数据分布的节点，从而降低了全局教育知识图谱补全模型被污染的概率。根据对抗委员会节点验证结果，将第二权重上传至区块链上，通过区块链实现对传统的第三方中央服务器进行抛弃，利用区块链与联邦学习进行结合，模型训练过程中不需要可信的第三方服务器，提高了模型所属者的隐私数据不被获取的概率。当区块链上的第二权重的个数大于预设值，聚合第二权重，计算新的全局教育知识图谱补全模型，并上传至区块链。当全局教育知识图谱补全模型的权重变化小于阈值，则对该全局教育知识图谱补全模型进行保存，从而各个教育知识图谱持有方可以构建出一个较为完善的教育知识图谱。
[0014]根据本专利技术的一些实施例，所述方法还包括以下步骤：
[0015]确定所述全局教育知识图谱补全模型的第三权重变化值大于阈值，根据选举规则重新选举所述对抗委员会节点和所述训练节点，进行新一轮的训练。
[0016]根据本专利技术的一些实施例，所述对抗委员会节点包括优先委员会节点和随机委员会节点，所述优先委员会节点和所述随机委员会节点采用相同的方式对训练节点的可信支持程度进行评分。
[0017]根据本专利技术的一些实施例，所述将所述第二权重传递到所述对抗委员会节点，包括以下步骤：
[0018]将所述第二权重传递到外部储存器进行储存，所述外部储存器生成所述第二权重的权重地址；
[0019]将所述权重地址上传至所述对抗委员会节点，所述对抗委员会节点根据所述权重地址获取所述第二权重。
[0020]根据本专利技术的一些实施例，所述外部储存器包括FastDFS，所述FastDFS用于存储所述第二权重，所述区块链存储所述FastDFA存储的所述第二权重的权重地址。
[0021]根据本专利技术的一些实施例，所述区块链包括本地更新区块和全局模型区块，所述本地更新区块用于记录所述本地更新块的数量和本地教育知识图谱补全模型更新的权重地址，所述全局模型区块用于记录训练的轮次以及所述全局教育知识图谱补全模型的权重地址。
[0022]根据本专利技术的一些实施例，所述对抗委员会节点包括优先委员会节点和随机委员会节点，所述优先委员会节点和所述随机委员会节点采用相同的方式对训练节点的可信支持程度进行评分，还包括：
[0023]所述优先委员会节点采用优先选举制度，选取所述优先委员会节点以可信支持得分优先；
[0024]所述随机委员会节点从上一轮的训练节点随机抽取。
[0025]根据本专利技术的一些实施例，所述根据所述第一权重对本地教育知识图谱补全模型训练包括全局关系学习和本地节点感知强化；
[0026]所述全局关系学习通过联邦平均算法进行全局计算，训练全局教育知识图谱补全模型；
[0027]所述本地节点感知强化采用补全模型，并利用本地节点嵌入信息以及关系路径，进行本地节点感知个性化增强。
[0028]第二方面，本专利技术实施例提供了一种联邦教育知识图谱补全设备，包括：
[0029]至少一个处理器；
[0030]至少一个存储器，用于存储至少一个程序；
[0031]当所述至少一个程序被所述至少一个处理器执行，使得至少一个所述处理器实现如第一方面所述的联邦教育知识图谱补全方法。
[0032]第三方面，本专利技术实施例还提供了一种计算机存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由所述处理器执行时用于实现如上述第一方面实施例所述的联邦教育知识图谱补全方法。
附图说明
[0033]图1是根据本专利技术实施例提供的一种联邦教育知识图谱补全方法方案架构图；
[0034]图2是根据本专利技术实施例提供的一种联邦教育知识图谱补全方法流程框图；
[0035]图3是根据本专利技术实施例提供的另一种联邦教育知识图谱补全方法流程框图；
[0036]图4是根据本专利技术实施例提供的另一种联邦教育知识图谱补全方法流程框图；
[0037]图5是根据本专利技术实施例提供的另一种联邦教育知识图谱补全方法流程框图；
[0038]图6是根据本专利技术实施例提供的一种联邦教育知识图谱补全设备原理框图。
具体实施方式
[0039]本申请实施例所描述的实施例不应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种联邦教育知识图谱补全方法，其特征在于，包括以下步骤：将全局教育知识图谱补全模型中满足预设要求的节点分为训练节点和对抗委员会节点；获取所述训练节点对应所述全局教育知识图谱补全模型中的第一权重；根据所述第一权重对本地教育知识图谱补全模型训练，更新所述本地教育知识图谱补全模型的权重，得到所述本地教育知识图谱补全模型的第二权重；将所述第二权重传递到所述对抗委员会节点；确定所述对抗委员会节点对所述第二权重验证通过，将所述第二权重上传至区块链上；确定所述区块链上的所述第二权重的个数大于预设值，触发所述全局教育知识图谱补全模型的权重聚合步骤，更新所述全局教育知识图谱补全模型的权重，得到所述全局教育知识图谱补全模型的第三权重；将所述第三权重上传至所述区块链；确定所述全局教育知识图谱补全模型的第三权重的变化值小于阈值，对所述全局教育知识图谱补全模型进行保存。2.根据权利要求1所述的联邦教育知识图谱补全方法，其特征在于，所述方法还包括以下步骤：确定所述全局教育知识图谱补全模型的第三权重变化值大于阈值，根据选举规则重新选举所述对抗委员会节点和所述训练节点，进行新一轮的训练。3.根据权利要求1所述的联邦教育知识图谱补全方法，其特征在于，所述对抗委员会节点包括优先委员会节点和随机委员会节点，所述优先委员会节点和所述随机委员会节点采用相同的方式对训练节点的可信支持程度进行评分。4.根据权利要求1所述的联邦教育知识图谱补全方法，其特征在于，所述将所述第二权重传递到所述对抗委员会节点，包括以下步骤：将所述第二权重传递到外部储存器进行储存，所述外部储存器生成所述第二权重的权重地址；将所述权重地址上传至所述对抗委员会节点，所述对抗委员会节点根据所述权重地址获取所述第二权重。5.根据权利要求4所述的联邦教育知识图谱...

【专利技术属性】
技术研发人员：黄昌勤，朱佳，林志豪，
申请(专利权)人：浙江师范大学，
类型：发明
国别省市：