【技术实现步骤摘要】
本专利技术属于知识图谱推理应用，是一种基于历史趋势的单样本时序知识图谱外推计算方法。
技术介绍
1、知识图谱(kgs)是将真实世界中复杂的语义信息抽象为一种三元组的形式，以图的方式进行储存，其中节点代表实体，边代表关系。其精简准确的表达，使得kgs在搜索引擎，推荐系统，智能问答等多个人工智能领域发挥着重要的作用。然而传统的知识图谱只是事件的静态表示，不能很好的描述现实世界中事件随着时间变化而产生的动态演变。因此学者们将含有时间信息的真实世界数据(如icew和gdelt)建模为时序知识图谱(tkgs)，以四元组的方式(s,r,o,t)进行信息的存储。
2、受到知识图谱的不完整性的影响，学者们专注于知识图谱推理的相关算法研究。tkgs的推理主要有两种：插值和外推。插值即给定时间0到时间t的tkg，推断在t时刻(0≤t≤t)所缺失的事实，外推则是预测t时刻(t＞t)所产生的新事实。
3、现有的tkgs外推方法都假设有足够多的训练实例。不幸的是kg具有长尾关系，即大多数关系只有少量的训练实例，gmatching模型，fsrl模型是对小样本知识图谱推理提出的有效尝试，但是它们只适用于静态知识图谱，并不能在tkgs上获得很好的结果，ttranse模型，ta-transe模型和ta-distmult模型则是将传统的静态知识图谱里嵌入式推理方法迁移到tkgs中，但是在小样本的情景下，效果并不理想。ftag模型通过transformer模型，使用一次性学习工作并聚合历史信息，但是它无法通过少量训练实例来有效区分不同子图的异
技术实现思路
1、针对上述现有技术的不足，本专利技术提供了一种基于历史趋势的单样本时序知识图谱外推计算方法。首先使用一种基于组合多关系异构图卷积网络的邻域图聚合器获得时序知识子图的实体邻居信息表征。通过基于归一化流的历史信息聚合器解决外分布和过拟合问题，获得全局的历史表征，通过设计的历史趋势聚合器，获得趋势信息分析事实在时间轴上的发展变化规律辅助全局表征，解决长尾关系问题。并将两种表征进行权重加和，进行未来事件的推理。
2、为实现上述目的，本申请提出了一种基于历史趋势的单样本时序知识图谱外推计算方法，包括：
3、步骤1：使用设计的一种基于组合多关系异构图卷积网络的邻域图聚合器获得时序知识子图的实体邻居信息表征。
4、步骤2：使用基于归一化流的历史信息聚合器对实体邻居表征信息进行复杂目标分布的转换，获得全局表征信息。然后使用自注意力机制对不同的实体进行不同权重的分配。
5、步骤3：使用设计的历史趋势编码器获取不同时间戳之间的历史趋势信息，形成新的趋势信息集合。然后使用gru单元(门控循环单元)对趋势信息进行挖掘，获得趋势信息表示。
6、步骤4：对数据集进行支持集和查询集的划分。使用设计的匹配网络对历史信息聚合器和历史趋势聚合器分别进行得分的计算，并对两个得分进行加权融合，获得候选实体得分，实现对未来事件的预测。
7、本专利技术有益技术效果：
8、在gdelt和icews两个数据集上对本专利技术提出的方法进行实验，在hits@1，hits@5，hits@10，mmr各项指标中，本方法与现有的最先进的基线方法相比均有显著的提升，这归纳于：(1)本方法设计了一个基于标准化流和自注意力机制的历史信息聚合器，解决了外分布和过拟合问题，捕获知识子图序列的全局视野，挖掘实体在领域图中的高阶联系。(2)本方法设计了历史趋势编码器，分析事实在时间轴上单发展变化规律，针对事实的发展趋势进行编码，以帮助未来事件的推理。
本文档来自技高网...【技术保护点】
1.一种基于历史趋势的单样本时序知识图谱外推计算方法，其特征在于，具体包括以下步骤：
2.如权利要求1所述的一种基于历史趋势的单样本时序知识图谱外推计算方法，其特征在于，所述的步骤3具体如下：
3.如权利要求1或2所述的一种基于历史趋势的单样本时序知识图谱外推计算方法，其特征在于，所述的步骤1具体如下：
4.如权利要求1或2所述的一种基于历史趋势的单样本时序知识图谱外推计算方法，其特征在于，所述的步骤4具体如下：
5.如权利要求3所述的一种基于历史趋势的单样本时序知识图谱外推计算方法，其特征在于，所述的步骤4具体如下：
【技术特征摘要】
1.一种基于历史趋势的单样本时序知识图谱外推计算方法，其特征在于，具体包括以下步骤：
2.如权利要求1所述的一种基于历史趋势的单样本时序知识图谱外推计算方法，其特征在于，所述的步骤3具体如下：
3.如权利要求1或2所述的一种基于历史趋势的单样本时序知识图谱外推计...
【专利技术属性】
技术研发人员：马瑞新，王龙飞，陈紫璇，王维鹤，符林，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。