基于动态知识图谱的事件预测方法及装置制造方法及图纸

本发明专利技术提供一种基于动态知识图谱的事件预测方法及装置，该方法包括：获取第一历史周期内的目标历史事件，并根据第一历史周期内各时刻下所有目标历史事件，构建各时刻对应的第一知识图谱；将第一历史周期内所有时刻对应的第一知识图谱进行拼接，生成第二知识图谱；将第二知识图谱输入预测模型的第一预测模块中，得到第二知识图谱中各实体和各实体之间的关系在当前周期的特征表示；将第二知识图谱中各实体和各关系在当前周期的特征表示输入预测模型的第二预测模块中，得到当前周期的预测事件。本发明专利技术实现动态预测得到第二知识图谱中各实体和各实体之间的关系在当前周期的特征表示，以实现对事件进行准确地动态预测。以实现对事件进行准确地动态预测。以实现对事件进行准确地动态预测。

【技术实现步骤摘要】
基于动态知识图谱的事件预测方法及装置


[0001]本专利技术涉及人工智能
，尤其涉及一种基于动态知识图谱的事件预测方法及装置。

技术介绍

[0002]传统的知识图谱(Knowledge Graphs，KGs)以结构化的方式将现实世界的各种实体和关系表示成了多关系数据，并被应用于各种下游任务，如信息检索、对话系统、阅读理解、医疗健康等。然而，由于人力和物力的限制，知识图谱中的关系信息通常是不完整的，因此需要知识图谱推理模型对已有的知识图谱进行补全和推理。
[0003]现有技术中，知识图谱推理方法大多数都假设知识图谱是静态的，即仅利用实体，以及实体之间的关系进行推理构建知识图谱。实际中很多由事件数据构建的知识图谱往往是动态的，即实体或者关系语义会随时间发生演变。
[0004]但是，现有技术中的知识图谱推理方法，忽略了时间信息，即忽略了实体和关系表征随时间演化的性质，导致现有的静态图谱推理模型无法适用于动态知识图谱的预测场景，无法对事件进行准确的推理预测。
[0005]综上，基于动态知识图谱对事件进行准确地动态预测的需求是目前业界亟待解决的重要课题。

技术实现思路

[0006]本专利技术提供一种基于动态知识图谱的事件预测方法及装置，用以解决现有技术中现有的静态图谱推理模型无法适用于动态知识图谱的预测场景，无法对事件进行准确的推理预测的缺陷，实现对事件进行准确地动态预测。
[0007]本专利技术提供一种基于动态知识图谱的事件预测方法，包括：
[0008]获取第一历史周期内的目标历史事件，并根据所述第一历史周期内各时刻下所有目标历史事件，构建各时刻对应的第一知识图谱；
[0009]将所述第一历史周期内所有时刻对应的第一知识图谱进行拼接，生成第二知识图谱；
[0010]将所述第二知识图谱输入预测模型的第一预测模块中，得到所述第二知识图谱中各实体和各实体之间的关系在当前周期的特征表示；
[0011]将所述第二知识图谱中各实体和各关系在所述当前周期的特征表示输入所述预测模型的第二预测模块中，得到所述当前周期的预测事件；
[0012]其中，所述预测模型是，基于第二历史周期内的样本历史事件，以及所述第二历史周期的下一历史周期的真实事件进行训练得到的。
[0013]根据本专利技术提供的一种基于动态知识图谱的事件预测方法，所述第一预测模块包括编码子模块和特征预测子模块；
[0014]所述将所述第二知识图谱输入预测模型的第一预测模块中，得到所述第二知识图
谱中各实体和各实体之间的关系在当前周期的特征表示，包括：
[0015]将所述第二知识图谱输入所述编码子模块，得到在所述第一历史周期内各时刻所述第二知识图谱中各实体的特征编码结果；
[0016]将在所述第一历史周期内各时刻所述第二知识图谱中各实体的特征编码结果以及各关系，输入所述特征预测子模块，得到所述第二知识图谱中各实体和各关系在所述当前周期的特征表示。
[0017]根据本专利技术提供的一种基于动态知识图谱的事件预测方法，所述编码子模块包括第一编码单元和第二编码单元；
[0018]所述将所述第二知识图谱输入所述编码子模块，得到在所述第一历史周期内各时刻所述第二知识图谱中各实体的特征编码结果，包括：
[0019]将所述第二知识图谱输入所述第一编码单元，在所述第二知识图谱中各第一知识图谱的层级上，对所述第二知识图谱中各第一知识图谱中各实体进行特征编码，得到在所述第一历史周期内各时刻所述第二知识图谱中各第一知识图谱中各实体的第一特征编码结果；
[0020]将各第一知识图谱中各实体的第一特征编码结果输入所述第二编码单元，在所述第二知识图谱的层级上，对所述第二知识图谱中的各实体进行特征编码，得到在所述第一历史周期内各时刻所述第二知识图谱中各实体的第二特征编码结果。
[0021]根据本专利技术提供的一种基于动态知识图谱的事件预测方法，所述将各第一知识图谱中各实体的第一特征编码结果输入所述第二编码单元，在所述第二知识图谱的层级上，对所述第二知识图谱中的各实体进行特征编码，得到在所述第一历史周期内各时刻所述第二知识图谱中各实体的第二特征编码结果，包括：
[0022]对于所述第二知识图谱中的各实体执行如下步骤：
[0023]获取当前实体与所述当前实体的邻居实体之间的时间差和关系；
[0024]根据所述时间差和所述关系，获取所述当前实体与所述邻居实体之间的关系对时间的依赖程度；
[0025]根据所述当前实体与所述邻居实体之间的关系以及所述依赖程度，对所述当前实体进行聚合更新，得到所述当前实体的第二特征编码结果。
[0026]根据本专利技术提供的一种基于动态知识图谱的事件预测方法，所述特征预测子模块包括第一特征预测单元、第二特征预测单元和融合单元；所述融合单元包括第一融合单元和第二融合单元；
[0027]所述将在所述第一历史周期内各时刻所述第二知识图谱中各实体的特征编码结果以及各关系，输入所述特征预测子模块，得到所述第二知识图谱中各实体和各关系在所述当前周期的特征表示，包括：
[0028]将在所述第一历史周期内各时刻所述第二知识图谱中各第一知识图谱中各实体的第一特征编码结果以及各关系，输入所述第一特征预测单元，得到所述第二知识图谱中各实体和各关系在所述当前周期的第一特征表示；
[0029]将在所述第一历史周期内各时刻所述第二知识图谱中各实体的第二特征编码结果以及各关系，输入所述第二特征预测单元，得到所述第二知识图谱中各实体和各关系在所述当前周期的第二特征表示；
[0030]将所述第二知识图谱中各实体的第一特征表示和第二特征表示输入所述第一融合单元，得到所述第二知识图谱中各实体在所述当前周期的所述特征表示；
[0031]将所述第二知识图谱中各关系的第一特征表示和第二特征表示输入所述第二融合单元，得到所述第二知识图谱中各关系在所述当前周期的所述特征表示。
[0032]根据本专利技术提供的一种基于动态知识图谱的事件预测方法，所述第一预测模块的损失函数是，基于第一损失函数和第二损失函数融合生成的；
[0033]其中，所述第一损失函数是，基于所述第二历史周期内所有时刻对应的第三知识图谱拼接生成的第四知识图谱中各实体的预测的特征表示，以及真实的特征表示之间的偏差构建生成的；
[0034]所述第二损失函数是，基于所述第四知识图谱中各关系的预测的特征表示和真实的特征表示之间的偏差构建生成的。
[0035]根据本专利技术提供的一种基于动态知识图谱的事件预测方法，所述第一预测模块是，基于图神经网络和循环神经网络构建生成的。
[0036]本专利技术还提供一种基于动态知识图谱的事件预测装置，包括：
[0037]第一构建模块，用于：获取第一历史周期内的目标历史事件，并根据所述第一历史周期内各时刻下所有目标历史事件，构建各时刻对应的第一知识图谱；
[0038]第二构建模块，用于：将所述第一历史周期内所有时刻本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态知识图谱的事件预测方法，其特征在于，包括：获取第一历史周期内的目标历史事件，并根据所述第一历史周期内各时刻下所有目标历史事件，构建各时刻对应的第一知识图谱；将所述第一历史周期内所有时刻对应的第一知识图谱进行拼接，生成第二知识图谱；将所述第二知识图谱输入预测模型的第一预测模块中，得到所述第二知识图谱中各实体和各实体之间的关系在当前周期的特征表示；将所述第二知识图谱中各实体和各关系在所述当前周期的特征表示输入所述预测模型的第二预测模块中，得到所述当前周期的预测事件；其中，所述预测模型是，基于第二历史周期内的样本历史事件，以及所述第二历史周期的下一历史周期的真实事件进行训练得到的。2.根据权利要求1所述的基于动态知识图谱的事件预测方法，其特征在于，所述第一预测模块包括编码子模块和特征预测子模块；所述将所述第二知识图谱输入预测模型的第一预测模块中，得到所述第二知识图谱中各实体和各实体之间的关系在当前周期的特征表示，包括：将所述第二知识图谱输入所述编码子模块，得到在所述第一历史周期内各时刻所述第二知识图谱中各实体的特征编码结果；将在所述第一历史周期内各时刻所述第二知识图谱中各实体的特征编码结果以及各关系，输入所述特征预测子模块，得到所述第二知识图谱中各实体和各关系在所述当前周期的特征表示。3.根据权利要求2所述的基于动态知识图谱的事件预测方法，其特征在于，所述编码子模块包括第一编码单元和第二编码单元；所述将所述第二知识图谱输入所述编码子模块，得到在所述第一历史周期内各时刻所述第二知识图谱中各实体的特征编码结果，包括：将所述第二知识图谱输入所述第一编码单元，在所述第二知识图谱中各第一知识图谱的层级上，对所述第二知识图谱中各第一知识图谱中各实体进行特征编码，得到在所述第一历史周期内各时刻所述第二知识图谱中各第一知识图谱中各实体的第一特征编码结果；将各第一知识图谱中各实体的第一特征编码结果输入所述第二编码单元，在所述第二知识图谱的层级上，对所述第二知识图谱中的各实体进行特征编码，得到在所述第一历史周期内各时刻所述第二知识图谱中各实体的第二特征编码结果。4.根据权利要求3所述的基于动态知识图谱的事件预测方法，其特征在于，所述将各第一知识图谱中各实体的第一特征编码结果输入所述第二编码单元，在所述第二知识图谱的层级上，对所述第二知识图谱中的各实体进行特征编码，得到在所述第一历史周期内各时刻所述第二知识图谱中各实体的第二特征编码结果，包括：对于所述第二知识图谱中的各实体执行如下步骤：获取当前实体与所述当前实体的邻居实体之间的时间差和关系；根据所述时间差和所述关系，获取所述当前实体与所述邻居实体之间的关系对时间的依赖程度；根据所述当前实体与所述邻居实体之间的关系以及所述依赖程度，对所述当前实体进行聚合更新，得到所述当前实体的第二特征编码结果。
5.根据权利要求3所述的基于动态知识图谱的事件预测方法，其特征在于，所述特征预测子模块包括第一特征预测单元、第二特征预测单元和融...

【专利技术属性】
技术研发人员：王亮，吴书，刘强，张孟奇，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：