【技术实现步骤摘要】
本专利技术涉及知识图谱，具体涉及一种全局邻域感知的知识图谱推理方法和系统。
技术介绍
1、知识图谱作为人工智能的一项关键技术，不仅为复杂知识体系提供了一种有力的表示工具，更是推动智能系统向认知智能发展的关键。它通过对现实世界中主体及其联系的描述，按照人类认知事物的方式描述领域知识，把现实世界的知识组织成概念及其关系的描述，为可理解人工智能提供了有效的知识表示工具。随着知识图谱的自动学习构建以及知识日益丰富，极大提高了智能系统的认知能力，使其具有类似人的思维方式，为人机协同提供了基础。不仅如此，在语言大模型(large language models，llms)研究热潮的背景下，通过结合知识图谱的丰富实体关系和推理机制，不仅可以帮助大模型提高决策和推理过程的准确性，而且增强了大模型对于推理的可解释性。
2、然而，随着智能系统需求的不断演进和现实世界复杂性的增加，知识图谱变得越来越庞大，主体越来越多，主体间关系越来越复杂，而知识图谱构建过程是根据已有知识抽取出实体及其关系，造成知识图谱中的实体庞大但关系稀疏。事实上，除了显式的直接在图谱中所描述的关系，很多关系可以根据已有关系通过推理得出。知识推理旨在从现有的知识中挖掘出新的信息，对于丰富知识图谱的内容、提高其应用价值具有重要意义。特别是在智能系统日益追求自主学习和决策的背景下，有效的知识图谱推理不仅可以帮助系统获取新知识，还能增强其对复杂问题的理解和处理能力。图1描述了一个在案件侦破中智能案情分析知识图谱的推理过程，这个推理过程基于不完备的知识图谱，即现有实体和它们之间
3、目前，知识图谱推理的方法主要集中在三个方面：基于表示学习的方法、基于神经网络的方法以及基于图神经网络的方法。在现有的这些技术方法中，基于图神经网络的方法以其对图结构数据的天然适配能力而获得了更为优异的推理效果。这类基于图神经网络的知识图谱推理方法可以直接在图上进行计算和信息转播，有效地捕获了实体间的多层关系和图的深层依赖性，提高推理的准确性和效率以及可解释性。随着注意力机制的发展，学者们相继探索并将图注意力网络应用到知识图谱推理任务中，相较于一般的图神经网络取得了更好的推理效果。注意力机制使gat不仅能捕获邻居节点的特征，还能根据邻居节点的重要性动态调整聚合策略，这非常有利于知识图谱推理中对于实体节点的信息获取。
4、近期，为了更进一步挖掘并利用知识图谱中的有效信息进行推理，诸多研究者在图神经网络的基础上围绕特征增强的方向设计知识图谱的推理模型。这些方法一般采用编码器和解码器的框架，在编码器的图注意力网络中通过引入更多或更细粒度的语义信息例如关系语义、关系类型、实体相似度等来获得更具可解释性和噪声更小的实体表示，从而提升了推理的准确度。
5、然而，随着应用场景的不断扩展和深化，围绕特征增强方向改进的基于图注意力网络的推理模型难以充分利用知识图谱中的复杂结构信息，在处理大规模图数据时的计算效率和可扩展性可能受限，这使得这些方法在多跳推理和图全局信息的挖掘方面不够高效或准确。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本专利技术提供了一种全局邻域感知的知识图谱推理方法和系统，解决了现有的知识图谱推理方法准确率较低的技术问题。
3、(二)技术方案
4、为实现以上目的，本专利技术通过以下技术方案予以实现：
5、第一方面，本专利技术提供一种全局邻域感知的知识图谱推理方法，包括：
6、s1、获取知识图谱，并定义知识图谱中的相关参数；
7、s2、基于预先构建的全局邻域感知的知识图谱推理模型对定义后的知识图谱进行处理，得到推理结果；其中，所述知识图谱推理模型包括编码器和解码器，所述编码器包括第一gat层和第二gat层，每个gat层包括实体级结构注意力层和关系级语义注意力层，其中，在实体级结构注意力层中将介数中心性作为隐式结构信息的学习源。
8、第二方面，本专利技术提供一种全局邻域感知的知识图谱推理系统，其特征在于，获取模块，用于获取知识图谱，并定义知识图谱中的相关参数；
9、推理模块，用于基于预先构建的全局邻域感知的知识图谱推理模型对定义后的知识图谱进行处理，得到推理结果；其中，所述知识图谱推理模型包括编码器和解码器，所述编码器包括第一gat层和第二gat层，每个gat层包括实体级结构注意力层和关系级语义注意力层，其中，在实体级结构注意力层中将介数中心性作为隐式结构信息的学习源。
10、第三方面，本专利技术提供一种计算机可读存储介质，其特征在于，其存储用于全局邻域感知的知识图谱推理方法的计算机程序，其中，所述计算机程序使得计算机执行如上述所述的全局邻域感知的知识图谱推理方法。
11、第四方面，本专利技术提供一种电子设备，包括：
12、一个或多个处理器，存储器，以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上述所述的全局邻域感知的知识图谱推理方法。
13、(三)有益效果
14、本专利技术提供了一种全局邻域感知的知识图谱推理方法和系统。与现有技术相比，具备以下有益效果：
15、本专利技术提出考虑全局结构信息的方法，使用介数中心性作为复杂推理中的隐式结构信息，以弥补现有方法对于隐式信息挖掘和利用不足的问题，增强模型对于已有知识的认知能力，从而优化知识图谱的推理机制，提高推理的准确性。
本文档来自技高网...【技术保护点】
1.一种全局邻域感知的知识图谱推理方法，其特征在于，包括：
2.如权利要求1所述的全局邻域感知的知识图谱推理方法，其特征在于，所述定义知识图谱中的相关参数，包括：
3.如权利要求1所述的全局邻域感知的知识图谱推理方法，其特征在于，所述实体级结构注意力层中的数据处理过程包括：
4.如权利要求3所述的全局邻域感知的知识图谱推理方法，其特征在于，所述基于中心实体、邻域实体和邻域实体的介数中心性信息获取实体级结构注意力层的注意力权重αij，包括：
5.如权利要求1所述的全局邻域感知的知识图谱推理方法，其特征在于，所述关系级语义注意力层，其数据处理过程包括：
6.如权利要求1～5任一所述的全局邻域感知的知识图谱推理方法，其特征在于，所述解码器包括ConvKB。
7.如权利要求6所述的全局邻域感知的知识图谱推理方法，其特征在于，ConvKB通过使用Adam优化器最小化以下损失函数来进行训练，计算公式如下：
8.一种全局邻域感知的知识图谱推理系统，其特征在于，包括：
9.一种计算机可读存储介质，其特
10.一种电子设备，其特征在于，包括：
...【技术特征摘要】
1.一种全局邻域感知的知识图谱推理方法，其特征在于，包括：
2.如权利要求1所述的全局邻域感知的知识图谱推理方法，其特征在于，所述定义知识图谱中的相关参数，包括：
3.如权利要求1所述的全局邻域感知的知识图谱推理方法，其特征在于，所述实体级结构注意力层中的数据处理过程包括：
4.如权利要求3所述的全局邻域感知的知识图谱推理方法，其特征在于，所述基于中心实体、邻域实体和邻域实体的介数中心性信息获取实体级结构注意力层的注意力权重αij，包括：
5.如权利要求1所述的全局邻域感知的知识图谱推理方法，其特征在于，所述关系级语义注意力层，其数据处理过程包括...
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。