一种嵌入决策树的知识图谱可解释推理方法、系统及设备技术方案

本发明专利技术公开一种嵌入决策树的知识图谱可解释推理方法及系统，涉及设备管理技术领域，该方法包括：采用训练集训练关系图卷积网络得到训练后的关系图卷积网络；所述训练集中样本数据包括输入数据和标签数据，所述输入数据为预设知识图谱中三元组中的两个值，所述标签数据为所述三元组中第三个值；将训练后的关系图卷积网络中输出层之前的全连接网络换成决策树，将决策树的输出与输出层的输出相乘作为预测输出，获得嵌入决策树的关系图卷积网络；采用训练集训练嵌入决策树的关系图卷积网络得到可解释推理模型。本发明专利技术使设备管理业务的推理具有可解释性，提高了知识图谱的完整性。提高了知识图谱的完整性。提高了知识图谱的完整性。

【技术实现步骤摘要】
一种嵌入决策树的知识图谱可解释推理方法、系统及设备


[0001]本专利技术涉及设备管理
，特别是涉及一种嵌入决策树的知识图谱可解释推理方法、系统及设备。

技术介绍

[0002]知识推理是知识图谱补全的重要手段，一直以来都是知识图谱领域的研究热点之一。随着神经网络不断取得新的发展，其在知识推理中的应用在近几年逐渐得到广泛重视。基于神经网络的知识推理方法具备更强的推理能力和泛化能力，对知识库中实体、关系等信息利用率更高，推理效果更好。
[0003]但是，神经网络具备黑盒特性，人们难以理解为什么特定功能在训练过程中选择某些参数，难以表达神经网络得出结论的原理或原因，或者在选择特征时如何表示训练数据中的相关性。尽管在可解释性这一领域，研究人员投入了大量的精力，但目前的进展仍然不能满足开发者和用户在实际使用中的需求，即基于神经网络的知识推理可解释性问题仍未得到有效解决，目前关于设备管理业务的知识图谱的推理研究匮乏。

技术实现思路

[0004]本专利技术的目的是提供一种嵌入决策树的知识图谱可解释推理方法、系统及设备，使设备管理业务的推理具有可解释性，提高了知识图谱的完整性。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]本专利技术公开了一种嵌入决策树的知识图谱可解释推理方法，包括：
[0007]采用训练集训练关系图卷积网络，得到训练后的关系图卷积网络；所述训练集中样本数据包括输入数据和标签数据，所述输入数据为样本知识图谱中三元组中的两个值，所述标签数据为所述三元组中第三个值；
[0008]将训练后的关系图卷积网络中输出层之前的全连接网络换成决策树，将所述决策树的输出与输出层的输出相乘作为预测输出，获得嵌入决策树的关系图卷积网络；
[0009]采用所述训练集训练嵌入决策树的关系图卷积网络，得到可解释推理模型；
[0010]根据可解释推理模型和待补全的设备管理知识图谱，得到补全后的设备管理知识图谱。
[0011]可选地，所述决策树中每个叶子结点的输出为所述决策树的输入向量与叶子结点的隐向量的内积。
[0012]可选地，所述决策树中每个叶子结点的输出概率表示为：
[0013]；
[0014]；
[0015]；
[0016]其中，T表示总类型数量，p
i
(z
i
)表示输入向量x是i类型的概率，z
i
表示输入向量x与隐向量w
i
的内积，z
j
表示输入向量x与隐向量w
j
的内积，w
i
表示类型i的隐向量，w
j
表示类型j的隐向量，w
i1
表示w
i
中第1个元素，w
i2
表示w
i
中第2个元素，w
id
表示w
i
中第d个元素，w
i
∈R
d
，R
d
表示d个维度，x1表示x中第1个元素，x2表示x中第2个元素，x
d
表示x中第d个元素。
[0017]可选地，所述关系图卷积网络训练过程中的损失函数记为第一损失函数，所述第一损失函数表示为：
[0018]；
[0019]其中，为所述第一损失函数，Y表示具有标签的结点集合，表示第i个结点在第k个类型的预测输出，表示第i个结点在第k个类型的真实标签，结点为所述样本知识图谱对应的邻接矩阵中结点。
[0020]可选地，所述嵌入决策树的关系图卷积网络训练过程中的损失函数记为第二损失函数，所述第二损失函数表示为：
[0021]L
total
=L
original
+L
hard
；
[0022]；
[0023]其中，L
total
表示所述第二损失函数，L
hard
表示交叉熵损失函数，T表示总类型数量，y
i
表示输入数据是i类型的真实概率，p
i
表示输入数据是i类型的预测概率。
[0024]本专利技术还公开了一种嵌入决策树的知识图谱可解释推理系统，包括：
[0025]关系图卷积网络训练模块，用于采用训练集训练关系图卷积网络，得到训练后的关系图卷积网络；所述训练集中样本数据包括输入数据和标签数据，所述输入数据为预设知识图谱中三元组中的两个值，所述标签数据为所述三元组中第三个值；
[0026]决策树嵌入模块，用于将训练后的关系图卷积网络中输出层之前的全连接网络换成决策树，将所述决策树的输出与输出层的输出相乘作为预测输出，获得嵌入决策树的关系图卷积网络；
[0027]嵌入决策树的关系图卷积网络训练模块，用于采用所述训练集训练嵌入决策树的关系图卷积网络，得到可解释推理模型；
[0028]设备管理知识图谱补全模块，用于根据可解释推理模型和待补全的设备管理知识图谱，得到补全后的设备管理知识图谱。
[0029]本专利技术还公开了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行所述的嵌入决策树的知识图谱可解释推理方法。
[0030]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0031]本专利技术先对关系图卷积网络进行预训练，对嵌入决策树的关系图卷积网络再次进行训练得到可推理解释模型，使得可推理解释模型对设备管理业务的知识图谱进行补充完善，使设备管理业务的推理具有可解释性，使知识图谱更完整。
附图说明
[0032]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0033]图1为本专利技术实施例提供了一种嵌入决策树的知识图谱可解释推理方法流程示意图；
[0034]图2为本专利技术实施例提供了嵌入决策树的关系图卷积网络结构示意图；
[0035]图3为本专利技术实施例可解释推理模型进行预测的结构示意图；
[0036]图4为本专利技术实施例知识图谱示意图；
[0037]图5为本专利技术实施例嵌入决策树可解释性推理示例示意图；
[0038]图6为本专利技术实施例提供了一种嵌入决策树的知识图谱可解释推理系统结构示意图。
具体实施方式
[0039]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0040]本专利技术的目的是提供一种嵌入决策树的知识图谱可解释推理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种嵌入决策树的知识图谱可解释推理方法，其特征在于，包括：采用训练集训练关系图卷积网络，得到训练后的关系图卷积网络；所述训练集中样本数据包括输入数据和标签数据，所述输入数据为样本知识图谱中三元组中的两个值，所述标签数据为所述三元组中第三个值；将训练后的关系图卷积网络中输出层之前的全连接网络换成决策树，将所述决策树的输出与输出层的输出相乘作为预测输出，获得嵌入决策树的关系图卷积网络；采用所述训练集训练嵌入决策树的关系图卷积网络，得到可解释推理模型；根据可解释推理模型和待补全的设备管理知识图谱，得到补全后的设备管理知识图谱。2.根据权利要求1所述的嵌入决策树的知识图谱可解释推理方法，其特征在于，所述决策树中每个叶子结点的输出为所述决策树的输入向量与叶子结点的隐向量的内积。3.根据权利要求2所述的嵌入决策树的知识图谱可解释推理方法，其特征在于，所述决策树中每个叶子结点的输出概率表示为：；；；其中，T表示总类型数量，p
i
(z
i
)表示输入向量x是i类型的概率，z
i
表示输入向量x与隐向量w
i
的内积，z
j
表示输入向量x与隐向量w
j
的内积，w
i
表示类型i的隐向量，w
j
表示类型j的隐向量，w
i1
表示w
i
中第1个元素，w
i2
表示w
i
中第2个元素，w
id
表示w
i
中第d个元素，w
i
∈R
d
，R
d
表示d个维度，x1表示x中第1个元素，x2表示x中第2个元素，x
d
表示x中第d个元素。4.根据权利要求1所述的嵌入决策树的知识图...

【专利技术属性】
技术研发人员：刘鑫，姚俊萍，范青刚，马晓丹，李雪，
申请(专利权)人：中国人民解放军火箭军工程大学，
类型：发明
国别省市：