贝叶斯小样本学习的知识图谱推理模型、系统及推理方法技术方案

本发明专利技术涉及一种贝叶斯小样本学习的知识图谱推理模型、系统及推理方法，所述方法至少包括：对知识图谱中的实体和关系进行高斯分布的建模以降低知识图谱的不确定性；将每个实体作为一个任务，以模拟动态知识图谱中新出现实体的元训练过程进行任务采样；基于图神经网络构建元学习器并进行随机推理；训练所述元学习器以使用支持集来表示新出现实体。本发明专利技术经过训练的模型具有快速适应的能力，无需重新训练就能推断出新的事实或出现的实体。就能推断出新的事实或出现的实体。就能推断出新的事实或出现的实体。

【技术实现步骤摘要】
贝叶斯小样本学习的知识图谱推理模型、系统及推理方法


[0001]本专利技术涉及知识图谱推理模型
，尤其涉及贝叶斯小样本学习的知识图谱推理模型、系统及推理方法。

技术介绍

[0002]大规模知识图谱，如YAGO，NELL，Wikidata，包含大量的事实知识。作为许多应用的背景，随着知识图谱推理的快速发展，知识图谱推理在推荐系统、问题回答等方面的广泛应用也引起了越来越多的关注。知识图谱推理旨在从现有的知识图谱中推断出新的事实，知识图谱通常被建模为一个链接预测问题，以预测一个查询三元组的新实体或关系。
[0003]有许多不同的研究对知识图谱推理做出了实质性的贡献，最流行的方法之一是基于知识图嵌入方法，该方法将整个知识图谱映射到多维空间，通过各种向量运算操作来计算三元组的得分并预测新的三元组。因为知识图谱嵌入方法的简单性和高精度，使得它受到了高度的重视，但现有的知识图谱嵌入推理仍有一定的局限性。
[0004]事实上，知识不是静态的，而是随着时间动态发展的。因此，知识图谱随时间而变化，因为新知识出现或旧知识变得过时。例如，多年来，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种贝叶斯小样本学习的知识图谱推理方法，其特征在于，所述方法至少包括：基于知识图谱中的实体和关系建立高斯分布模型以降低知识图谱的不确定性；将每个实体作为一个任务，以模拟动态知识图谱中新出现实体的元训练过程并进行任务采样；基于图神经网络构建元学习器并进行随机推理；训练所述元学习器以使用支持集来表示新出现实体。2.根据权利要求1所述的贝叶斯小样本学习的知识图谱推理方法，其特征在于，基于知识图谱中的实体和关系建立高斯分布模型的步骤包括：将头实体、关系、尾实体分别表示为：将头实体、关系、尾实体分别表示为：μ表示实体或关系在向量空间中的位置，∑表示协方差，其大小与关系或实体的不确定性成正相关；将头实体到尾实体的转换表示为基于KL散度定义得分函数并用于计算三元组的信度。3.根据权利要求1或2所述的贝叶斯小样本学习的知识图谱推理方法，其特征在于，用于计算三元组的信度的所述得分函数为：s(e
h
，r，e
t
)＝KL(P
r
，P
e
)，其中，s表示三元组的得分函数，e
h
表示头实体，r表示关系，e
t
表示尾实体，P
r
表示关系分部，P
e
表示转换分布。4.根据权利要求1～3任一项所述的贝叶斯小样本学习的知识图谱推理方法，其特征在于，以模拟动态知识图谱中新出现实体的元训练过程并进行任务采样的步骤至少包括：将原始数据集至少划分为含有模拟新出现实体元训练集和含有真实新出现实体的元测试集；基于所述元训练集的元训练过程对模拟的新出现实体进行采样；基于得分函数使查询集的三元组分数最大化。5.根据权利要求1～4任一项所述的贝叶斯小样本学习的知识图谱推理方法，其特征在于，基于图神经网络构建元学习器的步骤至少包括：基于贝叶斯神经网络和知识图谱中的关系构建元学习器，所述元学习器表示为：其中，f(θ)表示权值，B表示贝叶斯神经网络，表示与实体e
′
...

【专利技术属性】
技术研发人员：赵峰，闫成，金海，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：