一种基于多关系选择的动态知识图谱推理方法及系统技术方案

本发明专利技术属于知识图谱推理技术领域，具体提供了一种基于多关系选择的动态知识图谱推理方法及系统，其中方法包括：提取目标实体在不同关系对应下的隐藏特征，筛选出于目标实体关联性较强的关系信息，并聚合同一时间步下多关系对应的邻域信息；使用LSTM神经网络对时间序列上事件的动态信息进行编码；将编码序列输入多元分类器，提取特征，输出待预测实体或关系的概率分布。通过在RGCN邻近聚合器的基础之上，设计了一种多关系邻近选择聚合器，获取时间上相邻的实体的语义和结构信息，增强对同时间步内多个关系实体的聚合能力，充分利用相邻实体之间的关系结构依赖特征，从而提高动态知识图谱推理的性能。识图谱推理的性能。识图谱推理的性能。

【技术实现步骤摘要】
一种基于多关系选择的动态知识图谱推理方法及系统


[0001]本专利技术涉及知识图谱推理
，更具体地，涉及一种基于多关系选择的动态知识图谱推理方法及系统。

技术介绍

[0002]知识图谱技术近年来得到了国内学术界和工业界的极大关注，已经在金融、电商、健康、医疗等涉及国计民生的重要行业中展示出巨大的应用潜力，提供了一种从海量数据中挖掘和表达实体间关系的方法，是一种有效的知识表达形式，推动了一系列知识库的建立，例如DBpedia、YAGO、Freebase等等，为语义搜索、人机问答、个性推荐、智能手机助理等应用提供了重要支撑。
[0003]例如，中国专利CN112084344A公开了一种知识图谱推理方法，包括：获取待补全的初始知识图谱数据，初始知识图谱数据包括多组初始数据组，初始数据组仅包括头实体和实体关系；根据初始知识图谱数据，调用知识图谱推理模型得到补全后的目标知识图谱数据，知识图谱推理模型是基于强化学习预先训练得到的模型，目标知识谱图数据中的每组目标数据组均包括头实体、实体关系和尾实体。该专利的实施例通过调用基于强化学习训练得到的知识图谱推理模型对初始知识图谱进行知识推理，没有考虑时间的变化，采用多次训练来完善知识图谱。
[0004]目前有很多动态图嵌入的方法能够支持图上节点的在线嵌入学习，但是这些方法不能直接应用于动态知识图谱嵌入，因为它们所支持的节点嵌入是基于结构性近邻，而无法描述语义层面的关系边缘信息。目前还有一些时间知识图谱模型也能够用于动态知识图谱，但他们的目标是从带有时间戳的知识图谱快照中挖掘不断发展的知识，用于链式预测和时间预测。因此，现有的动态知识图谱不完备且时间关联性弱。

技术实现思路

[0005]本专利技术针对现有技术中存在的动态知识图谱的不完备、时间关联性弱的技术问题。
[0006]本专利技术提供了一种基于多关系选择的动态知识图谱推理方法，包括以下步骤：
[0007]S1，提取目标实体在不同关系对应下的隐藏特征，筛选出于目标实体关联性较强的关系信息，并聚合同一时间步下多关系对应的邻域信息；
[0008]S2，使用LSTM神经网络对时间序列上事件的动态信息进行编码；
[0009]S3，将编码序列输入多元分类器，提取特征，输出待预测实体或关系的概率分布。
[0010]优选地，所述S1具体包括：
[0011]在RGCN邻近聚合器的基础上，构建只保留需要预测的目标实体对应的多关系下的邻域信息的多关系邻近选择聚合器，然后用求取累积均值向量的方法，得到目标实体邻域信息的向量表示。
[0012]优选地，所述S1具体包括：
[0013]通过筛选所有的邻域信息，获得与目标实体关联性较强的邻域信息；
[0014]通过融合获取的特定领域信息与过去时间步的信息，实现多关系邻近选择性聚合。
[0015]优选地，所述S2具体包括：
[0016]S21，使用长短时记忆网络LSTM对时序知识进行建模，构建一个连续知识三元组预测模型；
[0017]S22，获得动态知识三元组在多时间、多关系上的依赖性，建立动态知识图谱的联合概率模型。
[0018]优选地，所述S21具体包括：
[0019]将动态知识图谱DCIKG表示为时序知识三元组的序列；
[0020]假设在一个时间点τ处的知识三元组集合G
τ
遵循马尔科夫假设，得到时间点τ处存在的时序知识三元组；
[0021]计算出动态知识图谱的联合概率分布。
[0022]优选地，所述S3具体包括：
[0023]使用全连接层提取特征，选择逻辑回归激活函数(softmax)输出待预测实体或关系的概率分布。
[0024]优选地，所述S3具体包括：
[0025]使用多分类的交叉熵损失函数表示实体和关系的预测，然后得到RS
‑
NET动态知识图谱推理模型的整体损失函数。
[0026]本专利技术还提供了一种基于多关系选择的动态知识图谱推理系统，所述系统用于实现基于多关系选择的动态知识图谱推理方法，包括：
[0027]多关系邻近选择聚合器，用于提取目标实体在不同关系对应下的隐藏特征，筛选出于目标实体关联性较强的关系信息，并聚合同一时间步下多关系对应的邻域信息；
[0028]时序知识编码器，用于，使用LSTM神经网络对时间序列上事件的动态信息进行编码；
[0029]时序知识推理模块，用于将编码序列输入多元分类器，提取特征，输出待预测实体或关系的概率分布。
[0030]本专利技术还提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现基于多关系选择的动态知识图谱推理方法的步骤。
[0031]本专利技术还提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现基于多关系选择的动态知识图谱推理方法的步骤。
[0032]有益效果：本专利技术提供的一种基于多关系选择的动态知识图谱推理方法及系统，其中方法包括：提取目标实体在不同关系对应下的隐藏特征，筛选出于目标实体关联性较强的关系信息，并聚合同一时间步下多关系对应的邻域信息；使用LSTM神经网络对时间序列上事件的动态信息进行编码；将编码序列输入多元分类器，提取特征，输出待预测实体或关系的概率分布。通过在RGCN邻近聚合器的基础之上，设计了一种多关系邻近选择聚合器，获取时间上相邻的实体的语义和结构信息，增强对同时间步内多个关系实体的聚合能力，充分利用相邻实体之间的关系结构依赖特征，从而提高动态知识图谱推理的性能。
附图说明
[0033]图1为本专利技术提供的一种基于多关系选择的动态知识图谱推理方法原理图；
[0034]图2为本专利技术提供的多关系邻近选择聚合模块的比较示意图；
[0035]图3为本专利技术提供的LSTM神经网络结构与计算公式图；
[0036]图4为本专利技术提供的一种可能的电子设备的硬件结构示意图；
[0037]图5为本专利技术提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
[0038]下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。
[0039]如图1所示，本专利技术实施例提供的一种基于多关系选择的动态知识图谱推理方法，包括以下步骤：
[0040]S1，提取目标实体在不同关系对应下的隐藏特征，筛选出于目标实体关联性较强的关系信息，并聚合同一时间步下多关系对应的邻域信息；
[0041]S2，使用LSTM神经网络对时间序列上事件的动态信息进行编码；
[0042]S3，将编码序列输入多元分类器，提取特征，输出待预测实体或关系的概率分布。
[0043]其中，动态知识图谱推理的核心任务是根据已知的实体、关系以及时间等信息，推理预测出时序事实四元组中缺失的实体、关系等知识元素，主要包括两种：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多关系选择的动态知识图谱推理方法，其特征在于，包括以下步骤：S1，提取目标实体在不同关系对应下的隐藏特征，筛选出于目标实体关联性较强的关系信息，并聚合同一时间步下多关系对应的邻域信息；S2，使用LSTM神经网络对时间序列上事件的动态信息进行编码；S3，将编码序列输入多元分类器，提取特征，输出待预测实体或关系的概率分布。2.根据权利要求1所述的基于多关系选择的动态知识图谱推理方法，其特征在于，所述S1具体包括：在RGCN邻近聚合器的基础上，构建只保留需要预测的目标实体对应的多关系下的邻域信息的多关系邻近选择聚合器，然后用求取累积均值向量的方法，得到目标实体邻域信息的向量表示。3.根据权利要求2所述的基于多关系选择的动态知识图谱推理方法，其特征在于，所述S1具体包括：通过筛选所有的邻域信息，获得与目标实体关联性较强的邻域信息；通过融合获取的特定领域信息与过去时间步的信息，实现多关系邻近选择性聚合。4.根据权利要求1所述的基于多关系选择的动态知识图谱推理方法，其特征在于，所述S2具体包括：S21，使用长短时记忆网络LSTM对时序知识进行建模，构建一个连续知识三元组预测模型；S22，获得动态知识三元组在多时间、多关系上的依赖性，建立动态知识图谱的联合概率模型。5.根据权利要求4所述的基于多关系选择的动态知识图谱推理方法，其特征在于，所述S21具体包括：将动态知识图谱DCIKG表示为时序知识三元组的序列；假设在一个时间点τ处的知识三元组集合G
τ
遵循马尔科夫假设，得到时间点τ处存在的时序知识三元组；计算出动态...

【专利技术属性】
技术研发人员：鲁义威，杨若鹏，陶宇，殷昌盛，杨远涛，卢稳新，王会涛，赵柯同，
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：