[发明专利]基于用户反馈信息进行知识图谱目标节点预测的方法

权利要求书

1.一种基于用户反馈信息进行知识图谱目标节点预测的方法，其特征在于，包括以下步骤：

1)定义知识图谱的节点，边，统计各个节点的发生次数和两两节点共同发生的数量，定义观测节点为直接可观察获取的属性节点，目标节点为需要进行推理预测的节点；

2)基于用户反馈信息，在图谱中标记对应的观测节点，设计BN-local算法计算目标节点的出现概率并更新到图谱中；

3)设计vn_DQN强化学习模型，使用观测节点集合作为动作集，并添加结束动作到动作集合中；使用模型计算动作集中各个动作的回报值，若回报值最高的动作为观测节点，则向用户询问，回到步骤2)；若回报值最高的动作为结束动作，则输出概率最高的目标节点，完成预测；其中：

所述BN-local算法步骤为：

(1)从图谱中选取与KN-Set中的节点有连边的所有其他节点构建子图节点集合即Subgraph Nodes Set,SN-Set，若SN-Set中节点的数量大于阈值k，则进入(2)；否则进入(3)；

(2)使用KN-Set中节点和SN-Set中节点之间发生的条件概率，计算SN-Set中各个节点的权重weight(sn)：

选出weight最大的前k个sn保留在SN-Set中，其余删除；

(3)使用SN-Set和KN-Set中的节点构建贝叶斯网络，首先根据节点发生的因果关系确定网络结构，然后统计计算各个节点的条件概率表即Conditional Percentage Tables,CPTs，最后根据各个节点的条件概率表进行贝叶斯推理预测得到SN-Set中各个节点的概率：

[p₁,p₂,...,p_k]＝Bayes(CPTs)

其中Bayes(·)为贝叶斯概率计算函数；

(4)将SN-Set中各个节点的概率[p₁,p₂,...,p_k]更新到原图谱中，并输出图谱中各个目标节点的概率[p₁,p₂,...,p_n]。

2.根据权利要求1所述的方法，其特征在于，所述设计BN-local算法计算目标节点的出现概率，具体包括：

1)根据用户输入信息从图谱中选取包含目标节点的子图；

2)确定子图网络结构，计算子图中各个节点的条件概率分布表；

3)对子图中的节点进行贝叶斯概率推理。