[发明专利]基于历史关系和双图卷积网络的时态知识图谱表示方法

权利要求书

1.一种基于历史关系和双图卷积网络的时态知识图谱表示方法，其特征在于，所述方法用于社会网络分析领域，通过构建新全球事件知识图谱GDELT来实现社会网络的分析，所述方法包括以下步骤：

1)对全球事件知识图谱GDELT中的数据进行预处理，提取事件和历史关系，其中，事件以四元组(s,r,o,t)的形式表示，s表示头实体，r表示关系，o表示尾实体，t表示时间戳，历史关系是实体对之间带有时间戳的关系序列；

2)将事件中的实体为节点，将实体之间的历史关系作为边，构造原图，该原图表示实体之间的交互；

3)将原图中的边看作节点，将根据原图的边之间是否连通来定义边，构造边图，该边图表示历史关系之间的交互；

4)利用参数确定的基于时间自注意力机制的历史关系编码器对原图构建多范围时间依赖关系，获得历史关系表示，包括：

基于时间自注意力机制的历史关系编码器以自注意力机制为组件，由基于时间的块内自注意力机制和基于时间的块间自注意力机制组成，同时建模局部时间依赖关系和全局时间依赖关系；

将历史关系h＝{(r₁,t₁),…,(r_i,t_i),…,(r_j,t_j)}拆分成M块，其形式化定义为h＝[z₁,z₂,…,z_M]，每块包含N个关系，首先，第1个块形式化定义为z₁＝{(r₁,t₁),…,(r_N-1,t_N-1),(r_N,t_N)}，基于时间的块内自注意力机制为块内每个关系分配权重计算公式如下：

其中，W^intra、为可学习的参数，σ(·)为激活函数，b^intra为偏置量，p_i为块中每个关系和关系r_i之间的相对时间，p_i＝{(t₁-t_i),…,(t_N-1-t_i),(t_N-t_i)}，r_i是关系r_i的表示，通过随机初始化得到，将块内每个关系加权求和，得到块的表示z₁，计算公式如下：

接下来，按照第1块的计算方式计算第2块到第M块的表示z₂-z_M；

基于时间的块间自注意力机制为每个块分配权重k为块的索引，取值为1-M，计算公式如下：

其中，W^inter、为可学习的参数，σ(·)为激活函数，b^inter为偏置量，q_k为每个块中第一个关系和块z_k中第一个关系的相对时间，为块z_k中第一个关系的时间，为块z_M中第一个关系的时间，将每个块的表示加权求和得到每个历史关系的表示h：

5)利用参数确定的双图卷积网络根据历史关系表示、原图和边图获得实体表示，包括：

首先构建节点-边指示矩阵M^ne来表示原图和边图融合时原图节点和边的对应关系，节点-边指示矩阵M^ne计算公式如下：

然后将历史关系表示h的集合、原图的邻接矩阵A、边图的邻接矩阵A^edge、节点-边指示矩阵M^ne输入到双图卷积网络中，得到节点的表示；

在原图卷积网络中，l层的输入是l-1层的原图卷积网络的输出X^(l-1)和l-1层的边图卷积网络的输出Y^(l-1)，第一层除外，计算公式如下：

其中，X⁽⁰⁾为原图节点的初始表示，通过随机初始化得到，为原图的拉普拉斯矩阵，θ_node^(l-1)为第l-1层原图卷积的参数，θ_en^(l-1)为第l-1层边图-原图融合卷积的参数，[·,·]表示拼接操作，表示对拼接结果进行激活；

在边图卷积网络中，l-1层的输入是l-2层的边图卷积网络的输出Y^(l-2)和l-1层的原图卷积网络的输出X^(l-1)，第一层除外，计算公式如下：

其中，Y⁽⁰⁾为边图节点的初始表示，为边图的归一化拉普拉斯矩阵，Y⁽⁰⁾由历史关系表示h经过线性转换得到，θ_edge^(l-2)为第l-2层边图卷积的参数，θ_en^(k-1)为第l-1层原图-边图融合卷积的参数；

6)利用参数确定的语义匹配模型根据实体表示和历史关系预测实体间未来一段时间可能发生的关系，根据该未来一段时间可能发生的关系构建新全球事件知识图谱GDELT，该新全球事件知识图谱GDELT用于实现社会网络的分析。