System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及知识图谱推理,具体涉及一种时序知识图谱推理方法。
技术介绍
1、知识图谱由于良好的搜索性能和存储效率,已经在医疗、交通、推荐等许多领域中得到广泛应用。但现实世界大多数事件,比如天气预测和价格预测等,都具有复杂的时效性和动态性。传统的静态知识图谱无法处理此类任务,因为它们不能及时反映事实的最新状态,这就需要时序知识图谱来对历史事实建模,并基于此对未来进行预测。
2、时序知识图谱是在知识图谱的基础之上扩展得到的,由四元组(头实体,关系,尾实体,时间戳)即(s,r,o,t)组成,每一个时间戳一个知识图谱,时序知识图谱记录着事件的发展和实体之间关系的演化。时序知识图谱推理分为外推和内推,其中外推任务是根据历史数据预测未来事件,在现实应用中非常重要。
3、目前,针对时序知识图谱推理任务,关键是要学习到准确的节点和关系嵌入,很多模型都是在时间快照上采用传统的图卷积处理静态知识图谱数据,得到节点和关系嵌入,再利用时序注意力或lstm处理时序嵌入,这些方法没,在同一时间戳下充分挖掘并发事实的结构依赖和潜在关系,同时没能充分利用时间戳信息,忽视了关键的时间信息。目前已有模型捕捉了历史事件的顺序性、重复性和周期性,但事件发生的偶然性还没有考虑到。导致实体和关系嵌入不准确,导致最终预测事件的准确率较低。
技术实现思路
1、针对上述存在的没能充分挖掘并发事实的信息问题以及时间戳嵌入不合理且不能捕获事实的偶然性问题,本专利技术提供了一种时序知识图谱推理方法。
3、一种时序知识图谱推理方法,包括如下步骤:
4、s1,获取待推理的历史时序知识图谱,在每个时间戳的知识图谱上使用图卷积得到节点和关系嵌入,利用并发事实得到时间嵌入;
5、s2,利用门循环组件在时间序列上对s1得到的节点和关系嵌入逐步更新,将最新嵌入作为节点关系的最终嵌入;
6、s3,将s2得到的最终嵌入输入得分解码器,得到全部实体或关系的预测得分,根据得分确定最终预测结果。
7、进一步地,所述s1具体包括:
8、s11,对于t+1时刻查询实体(s,r,?,r+1)或查询关系(s,?,o,t+1),获得最近的m个时间戳的子图gt-m+1:t历史信息;
9、s12,在s11中的每个历史子图上使用一种结合1d卷积和2d卷积的关系感知图卷积聚合邻域信息,每个时间戳上得到图卷积后的节点和关系嵌入;
10、s13,在s11中的每个时间戳的图中,利用s12中图卷积更新好的节点和关系嵌入,采用ttranse思想训练得到时间的事件属性嵌入,再拼接时间戳本身的向量嵌入,得到时间戳的最终嵌入;
11、s14,将s13的时间嵌入拼接到s12的节点嵌入,使得节点获得时间属性,得到这个时间戳上节点和关系的最终嵌入。
12、进一步地,所述s12中的改进的图卷积具体包括:
13、在传统图卷积的基础上,设计了一种结合1d卷积和2d卷积的联合卷积聚合器,用于聚合邻居信息;
14、通过1d卷积,获得邻居信息的表面语义;
15、通过2d卷积,提取邻居信息的潜在特征;
16、通过对关系所连接节点的嵌入进行平均池化得到关系嵌入;
17、在图卷积中,对于每种关系,使用独立的权重矩阵来区分不同关系的权重;
18、所述的图卷积的计算表示为:
19、
20、其中,和分别表示第l层图卷积得到的三元组的头结点嵌入表示、尾节点嵌入表示和关系嵌入表示,为尾节点o在图卷积计算中下一层的嵌入表示,ft为时间戳t中所有的并发事实,和分别是关系特定的转化矩阵和节点自连接的更新矩阵,φ是结合1d卷积和2d卷积的联合卷积聚合器。
21、进一步地,所述s13中的时间的事件属性具体包括:
22、在时序预测任务中,所有发生的事实都具有时间属性,时间戳本身的信息很重要;
23、时间编码由时间向量编码和事件属性编码两部分组成;
24、时间向量编码,采用周期激活函数来捕获一些周期性事实;
25、事件属性编码,根据所有事实,采用ttranse思想训练得到时间嵌入,来捕获事件的偶然性和历史性;
26、所述ttranse的得分函数计算表示为:
27、
28、进一步地,所述s2具体包括:
29、s21,根据s14得到的当前时间戳节点嵌入,再结合前一时间戳的节点嵌入,利用门循环组件更新得到当前时间戳的节点嵌入,该嵌入同时包含了历史信息;
30、s22,根据s1中根据平均池化得到当前时间戳的关系嵌入,再结合前一时间戳的关系嵌入,利用gru更新得到当前时间戳的关系嵌入,也使得关系包含历史信息。
31、进一步地,所述s3具体包括:
32、s31,通过s2的方法在历史知识图谱上逐步更新,得到最新的节点和关系嵌入;
33、s32,根据查询实体(s,r,?,t+1)或查询关系(s,?,o,t+1),判断全部实体或关系是否与查询有过历史交互,区分是否是历史实体或历史关系;
34、s33,通过周期性编码和非周期性编码两种方式编码查询时间戳t+1;
35、s34,将查询实体或查询关系嵌入、全部实体嵌入、全部关系嵌入和时间戳嵌入送入得分解码器time-convtranse,得到全部实体或关系得分,同时增加历史实体或历史关系的得分,得分最高的实体或关系为最终预测结果;
36、s35,使用交叉熵损失函数表示实体和关系的预测;
37、s36,通过评价指标mrr和hits@n来衡量模型的预测能力;
38、s37,采用adam优化器,根据得出的评价指标对所有权重矩阵进行更新。
39、本专利技术还提供了一种基于图卷积的时序知识图谱推理系统,所述系统用于实现融合联合卷积聚合器和时间事件属性编码的时序知识图谱推理方法,包括:
40、结构依赖编码器,设计了结合1d卷积和2d卷积的联合卷积聚合器,聚合节点的邻域信息,提取同一时间戳下并发事实的结构依赖和潜在关系,同时编码时间的事件属性,捕获事实的偶然性;
41、事件发展编码器,根据每个时间戳得到的节点和关系嵌入,利用门循环单元在时间序列上逐步更新嵌入;
42、得分解码器,将最终更新好的实体嵌入、关系嵌入输入和查询时间编码输入得分解码器,得到全部实体或关系的预测得分,根据得分确定最终预测结果。
43、本专利技术至少具有以下有益效果:
44、本专利技术采用基于图卷积神经网络的时序知识图谱推理方法,可以捕获时序知识图谱中实体之间或实体与关系之间的内在拓扑相关性,从而获得更加准确的实体和关系嵌入。
45、本专利技术采用结合1d卷积和2d卷积的关系感知图卷积神经网络处理知识图谱,可以挖掘出本文档来自技高网...
【技术保护点】
1.一种时序知识图谱推理方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的融合联合卷积聚合器和时间事件属性编码的时序知识图谱推理方法,其特征在于,所述S12中的改进的图卷积具体包括:
3.根据权利要求1所述的融合联合卷积聚合器和时间事件属性编码的时序知识图谱推理方法,其特征在于,所述S2具体包括:
4.根据权利要求1所述的融合联合卷积聚合器和时间事件属性编码的时序知识图谱推理方法,其特征在于,所述S3具体包括:
【技术特征摘要】
1.一种时序知识图谱推理方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的融合联合卷积聚合器和时间事件属性编码的时序知识图谱推理方法,其特征在于,所述s12中的改进的图卷积具体包括:
3.根据权利要...
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。