基于自适应上下文匹配网络的小样本汽车供应链知识图谱补全方法技术

基于自适应上下文匹配网络的小样本汽车供应链知识图谱补全方法，首先聚合参考集汽车企业实体上下文，即一跳邻居汽车企业实体，获得共性邻居感知嵌入向量；接着挖掘任务汽车企业实体上下文与共性上下文的相似度信息，区分一跳邻居对当前任务的贡献，增强汽车企业实体表征；然后编码动态关系表征，最后通过加权求和综合考虑实体上下文和关系的匹配程度，通过计算头汽车企业实体、关系和尾汽车企业实体在残缺三元组中距离评分，得到汽车供应链知识图谱补全结果。完成补全。本发明专利技术综合考虑了汽车供应链链知识图谱的汽车企业实体上下文相似度信息和关系匹配程度信息，在小样本的背景下，准确性较高，补全效果好。补全效果好。补全效果好。

【技术实现步骤摘要】
基于自适应上下文匹配网络的小样本汽车供应链知识图谱补全方法


[0001]本专利技术涉及汽车供应链知识图谱补全领域，特别是指一种基于自适应上下文匹配网络的小样本汽车供应链知识图谱补全方法。

技术介绍

[0002]在汽车企业生产经营过程中，无论是供应商寻找货源、产品销售，还是项目合作、供应商风险监测，都需要收集、分析产业上下游庞大的供应链信息，然而，由于信息的维度和数量过多，往往存在着业供应链信息获取不及时、供应链风险分析和预警能力不足、供应链数字化难度大等问题。汽车供应链知识图谱客观描述了公司之间业务往来的买卖关系以及具体产品、业务。通过构建汽车供应链知识图谱，可以帮助汽车企业统一管理供应链、行业供应链业务数据及专家知识，打破数据孤岛，对知识进行深度关系挖掘和体系化组织，为企业知识沉淀与复用提供手段。通过整合内外部的供应商数据与公共知识，构建以企业、人员为主体，以供应链上下游、竞争合作、生产采购为关系的企业关系链图，对于供应链中的监控实体及其关联企业进行实时风险异常监控，第一时间掌握供应链上下游情况，可以及时响应，规避风险，减少损失。因此汽车供应链知识图谱对于行业而言变得很重要。
[0003]汽车供应链知识图谱补全是指通过人工或者AI方法来补全汽车供应链知识图谱中缺失的隐含关系，使其更加完整。虽然已存在许多庞大的汽车供应链知识图谱，其拥有大量的三元组，但是具有相同类型关系的三元组的数量分布往往呈现出长尾的特性，很多关系涉及的三元组数量非常少，以至于传统方法难以获得很好的补全效果。因此如何进行小样本汽车供应链知识图谱补全是一个十分有价值的问题。

技术实现思路

[0004]为了克服现有汽车供应链知识图谱补全的方法在小样本的场景下补全正确率低、效率低下的问题，提升现有算法的补全正确率，本专利技术提出了基于自适应上下文匹配网络的小样本汽车供应链知识图谱补全方法。
[0005]本专利技术解决其技术问题所采用的技术具体步骤是：
[0006]基于自适应上下文匹配网络的小样本汽车供应链知识图谱补全方法，包括如下步骤：
[0007]步骤1，针对需要补全的汽车产业链知识图谱，从中提取出需要补全小样本关系，来构建小样本任务；每一种小样本关系均包含满足其关系的头尾实体对，将所有的头尾实体对分成两个部分，组成参考集和查询集；所有包含非小样本关系的三元组作为背景知识图谱；其中，包含小样本关系的头尾实体对远少于包含非小样本关系的头尾实体对，使用预训练方法获得三元组实体和关系的初始嵌入向量；
[0008]步骤2，对于每一种小样本关系的参考集所有实体对，从背景知识图谱中分别提取出其一跳邻居集合，通过注意力机制聚合参考集实体对的一跳邻居，获得共性邻居感知嵌
入向量，用于下一步获得任务实体嵌入向量；
[0009]步骤3，对于每一小样本关系的查询集中的所有实体，用一个注意力机制捕获查询实体一跳邻居和共性邻居的相似度信息和查询实体一跳邻居的任务相关信息，得到任务实体嵌入向量
[0010]步骤4，对于每一小样本关系查询集中的所有实体对，用一个自注意力机制建模头尾实体嵌入向量的交互作用，获取头尾实体的注意力特征向量，并将两个向量拼接起来，获取头尾实体对的嵌入向量；
[0011]步骤5，对于每一小样本关系查询集中的所有实体对，基于翻译机制，根据任务关系的上下文，即头尾实体对嵌入向量，对任务关系进行编码，获得上下文关系嵌入向量；
[0012]步骤6，对于每一小样本关系，将每一个查询实体对对应的上下文关系嵌入向量和实体对嵌入向量输入给自定义的损失函数计算损失值，通过梯度下降的方式来训练初始模型；
[0013]步骤7，对于一个新的小样本关系，遍历知识图谱中所有的残缺三元组，将知识图谱中的所有头实体或尾实体作为候选实体，使用训练好的模型进行打分，选取分数高的实体来补全残缺部分。
[0014]进一步，步骤1具体包括：一个包含S个汽车零部件制造商、汽车整车生产商、汽车上下游相关产业生产商和各类汽车服务贸易商的汽车行业供应链可以由一个汽车行业供应链知识图谱G表示，G由M个三元组(h，r，t)组成，h∈ε，r∈R，t∈ε，ε＝{e1，...，e
N
}表示汽车零部件制造商、汽车整车生产商、汽车上下游相关产业生产商和各类汽车服务贸易商组成的企业实体集合，R＝{r1，...，r
T
}表示实体之间的关系集合，h，r，t分别表示供应链知识图谱中的头实体，关系和尾实体，一个小样本任务对应的小样本关系为r
s
，对于实体e
i
，我们把其在背景图G
′
中的一跳邻居表示为：N
i
＝{(e
nbr
)|(e
i
，r
nbr
，e
nbr
)∈G
′
}；其中e
nbr
表示邻居实体；
[0015]使用TransH算法获取汽车行业供应链知识图谱G的初始汽车企业实体嵌入向量集合E＝{l1，...，l
N
}；对于汽车行业供应链知识图谱G中的小样本任务关系r
s
，通过随机的从包含该关系r
s
的所有正向汽车企业实体对中抽取K个企业实体对来获得参考集S
r
＝{(h
k
，t
k
)|(h
k
，r
s
，t
k
)∈G}，剩余的所有正向汽车企业实体对作为正向查询企业实体对集合Q
r
＝{(h
m
，t
m
)|(h
m
，r
s
，t
m
)∈G\(h
k
，r
s
，t
k
)}；同时，通过随机从企业实体集合中抽取企业实体来构建负向企业实体对集合在参考集S
r
、查询集Q
r
和中的所有汽车企业实体称作任务汽车企业实体；
[0016]进一步，步骤2具体包括：任意选取一个任务汽车企业实体e
i
，从其参考集中选取一跳邻居数最少的汽车企业实体的一跳邻居e
in
，计算它与参考集中随机选择的另一个汽车企业实体e
j
的一跳邻居e
jn
的相似度得分
[0017][0018]其中，W∈R
d
×
d
和b∈R
d
是可学习参数；头和尾汽车企业实体分别计算，即不同头汽车企业实体的邻居之间计算度量函数，不同尾汽车企业实体的邻居之间计算度量函数；遍历所有任务汽车企业实体，计算任务汽车企业实体参考集中所有不同汽车企业实体一跳邻居之间的相似度得分；任意选取一个汽车任务企业实体e
i
，从其参考集中选取一跳邻居数
最少的汽车企业实体的一跳邻居e
in
，计算它与参考集中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于自适应上下文匹配网络的小样本汽车供应链知识图谱补全方法，其特征包括：步骤1)针对需要补全的汽车产业链知识图谱，从中提取出需要补全小样本关系，来构建小样本任务；每一种小样本关系均包含满足其关系的头尾实体对，将所有的头尾实体对分成两个部分，组成参考集和查询集；所有包含非小样本关系的三元组作为背景知识图谱；其中，包含小样本关系的头尾实体对远少于包含非小样本关系的头尾实体对，使用预训练方法获得三元组实体和关系的初始嵌入向量；步骤2)对于每一种小样本关系的参考集所有实体对，从背景知识图谱中分别提取出其一跳邻居集合，通过注意力机制聚合参考集实体对的一跳邻居，获得共性邻居感知嵌入向量，用于下一步获得任务实体嵌入向量；步骤3)对于每一种小样本关系的查询集中的所有实体，用一个注意力机制捕获查询实体一跳邻居和共性邻居的相似度信息和查询实体一跳邻居的任务相关信息，得到任务实体嵌入向量步骤4)对于每一种小样本关系查询集中的所有实体对，用一个自注意力机制建模头尾实体嵌入向量的交互作用，获取头尾实体的注意力特征向量，并将两个向量拼接起来，获取头尾实体对的嵌入向量；步骤5)对于每一种小样本关系查询集中的所有实体对，基于翻译机制，根据任务关系的上下文，即头尾实体对嵌入向量，对任务关系进行编码，获得上下文关系嵌入向量；步骤6)对于每一种小样本关系，将每一个查询实体对对应的上下文关系嵌入向量和实体对嵌入向量输入给自定义的损失函数计算损失值，通过梯度下降的方式来训练初始模型；步骤7)对于一种新的小样本关系，遍历知识图谱中所有的残缺三元组，将知识图谱中的所有头实体或尾实体作为候选实体，使用训练好的模型进行打分，选取分数高的实体来补全残缺部分。2.根据权利要求1所述的基于自适应上下文匹配网络的小样本汽车供应链知识图谱补全方法，其特征在于，步骤1)中，一个包含S个汽车零部件制造商、汽车整车生产商、汽车上下游相关产业生产商和各类汽车服务贸易商的汽车行业供应链由一个汽车行业供应链知识图谱G表示，G由M个三元组(h,r,t)组成，h∈ε，r∈R，t∈ε，ε＝{e1,
…
,e
N
}表示汽车零部件制造商、汽车整车生产商、汽车上下游相关产业生产商和各类汽车服务贸易商组成的企业实体集合，R＝{r1,
…
,r
T
}表示实体之间的关系集合，h,r,t分别表示供应链知识图谱中的头实体，关系和尾实体，一个小样本任务对应的小样本关系为r
s
，对于实体e
i
，把其在背景图G
′
中的一跳邻居表示为：B
i
＝{(e
nbr
)|(e
i
,r
nbr
,e
nbr
)∈G
′
}；其中e
nbr
表示邻居实体；使用TransH算法获取汽车行业供应链知识图谱G的初始汽车企业实体嵌入向量集合E＝{l1,
…
,l
N
}；对于汽车行业供应链知识图谱G中的小样本任务关系r
s
，通过随机的从包含该关系r
s
的所有正向汽车企业实体对中抽取K个企业实体对来获得参考集S
r
＝{(h
k
,t
k
)|(h
k
,r
s
,t
k
)∈G}，剩余的所有正向汽车企业实体对作为正向查询企业实体对集合Q
r
＝{(h
m
,t
m
)|(h
m
,r
s
,t
m
)∈G\(h
k
,r
s
,t
k
)}；同时，通过随机从企业实体集合中抽取企业实体来构建负向企业实体对集合在参考集S
r
、查询集Q
r
和中的所有汽车企业实体称作任务汽车企业实体。
3.根据权利要求1所述的基于自适应上下文匹配网络的小样本汽车供应链知识图谱补全方法，其特征在于，步骤2)中，任意选取一个任务汽车企业实体e
i
，从其参考集中选取一跳邻居数最少的汽车企业实体的一跳邻居e
in
,它与参考集中随机选择的另一个汽车企业实体e
j
的一跳邻居e
jn
的相似其中，W∈R
d
×
d
和b∈R
d
是可学习参数；头和尾汽车企业实体分别计算，即不同头汽车企业实体的邻居之间计算度量函数，不同尾汽车企业实体的邻居之间计算度量函数；遍历所有任务汽车企业实体，计算任务汽车企业实体参考集中所有不同汽车企业实体一跳邻居之间的相似...

【专利技术属性】
技术研发人员：杨旭华，张炼，徐雷，徐新黎，叶蕾，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：