[发明专利]动态知识图谱的知识补全方法、装置和计算机设备

权利要求书

1.一种动态知识图谱的知识补全方法，其特征在于，所述方法包括：

获取网络空间领域的动态知识图谱中实体的结构信息和属性信息，根据所述结构信息和所述属性信息，通过超参数对实体进行融合，得到动态知识图谱中实体的增量式表示；

根据样本头实体的增量式表示和对应的出边，得到样本头实体向量表示，以及获取样本尾实体的样本尾实体向量表示；

确定所述样本实体向量表示和所述样本尾实体向量表示的关系表示；

根据所述关系表示以及输入的查询头实体，输出推测尾实体。

2.根据权利要求1所述的方法，其特征在于，所述获取网络空间领域的动态知识图谱中实体的结构信息，包括：

根据网络空间领域的动态知识图谱中的实体，构建共享基实体库；

根据所述共享基实体库中的基实体的向量确定实体的结构信息为：

其中，表示基实体，SBES表示共享基实体库，K表示取选择共享基实体库中的基实体的数量，e_s表示结构信息。

3.根据权利要求2所述的方法，其特征在于，所述获取网络空间领域的动态知识图谱中实体的属性信息，包括：

对所述共享基实体库中的基实体进行排序，得到共享基实体序列；

根据所述共享基实体序列以及实体对应的属性，确定实体的属性信息为：

其中，表示共享基实体序列中基实体的属性向量表示，表示实体对应的属性，e_t表示属性信息。

4.根据权利要求3所述的方法，其特征在于，根据所述结构信息和所述属性信息，通过超参数对实体进行融合，得到动态知识图谱中实体的增量式表示，包括：

根据所述结构信息和所述属性信息，通过超参数对实体进行融合，得到动态知识图谱中实体的增量式表示为：

e_joint＝α×e_s+(1-α)×e_t

其中，α表示超参数。

5.根据权利要求1至4任意一项所述的方法，其特征在于，根据样本头实体的增量式表示和对应的出边，得到样本头实体向量表示，以及获取样本尾实体的样本尾实体向量表示，包括：

根据预先设置的应用图神经网络模型，生成实体向量表示为：

ω_e表示实体e的实体向量表示，为应用图神经网络模型的参数，N_ε＝{(r_k,e_k)|(e,r_k,e_k)∈G}表示知识图谱中实体e的出边，v_r表示关系的嵌入表示，v_e表示实体e的增量式表示；

根据所述实体向量表示，学习得到样本头实体h_r的样本头实体向量表示和样本尾实体t_r的样本尾实体向量表示

6.根据权利要求5所述的方法，其特征在于，确定所述样本实体向量表示和所述样本尾实体向量表示的关系表示，包括：

确定所述样本实体向量表示和所述样本尾实体向量表示的关系表示为：

其中，表示关系表示，为应用图神经网络模型的参数。

7.根据权利要求6所述的方法，其特征在于，根据所述关系表示以及预先输入的查询头实体，输出推测尾实体，包括：

根据查询头实体，构建认知图；所述认知图中节点的隐藏信息为认知图中所有节点的信息；

根据所述关系表示和所述认知图，进行动态知识图谱补全。