[发明专利]基于多尺度空洞卷积的时间知识图谱补全方法

权利要求书

1.一种基于多尺度空洞卷积的时间知识图谱补全方法，其特征在于，包括以下步骤：

步骤S1:对待处理四元组数据进行处理后，使用LSTM建模时间序列和关系之间的特征表示；

步骤S2:根据得到的特征表示，基于多尺度空洞卷积神经网络，获取多尺度特征映射；

步骤S3:引入注意力机制帮助模型自适应地调整多尺度特征映射的权重，并得到加权后的特征映射；

步骤S4:将得到的特征映射经过拉平操作变成向量，然后经过一个全连接层，将拉平后的向量映射到指定维度，最后与尾实体嵌入进行点积得到四元组的得分。

2.根据权利要求1所述的基于多尺度空洞卷积的时间知识图谱补全方法，其特征在于，所述步骤S1具体为：

对于输入的四元组(s,r,o,t)，时间戳t将根据年月日划分成时间序列，时间序列的向量表示为

其中m表示时间序列的长度，d是时间序列的嵌入维度；

将关系表示和时间序列的向量表示组合成LSTM的输入序列，即X＝{r,τ₁,τ₂,…τ_m}

将X输入到LSTM中得到融合时间信息的关系表示r_t；

将融合时间信息的关系嵌入r_t与头实体嵌入e_s进行形状变换操作得到他们的2D嵌入表示和其中d＝d₁×d₂；

将和进行简单的拼接，得到矩阵A，即

3.根据权利要求1所述的基于多尺度空洞卷积的时间知识图谱补全方法，其特征在于，所述LSTM具体为：

i_n＝σ(h_n-1U_i+x_nW_i)

f_n＝σ(h_n-1U_f+x_nW_f)

o_n＝σ(h_n-1U_o+x_nW_o)

g_n＝tanh(h_n-1U_g+x_nW_g)

其中，x_n是输入序列X的第n个元素的表示，i_n，f_n，o_n分别是第n个元素的输入门，遗忘门，输出门，g_n是一个中间变量，U_i、U_f、U_o、W_i、W_f、W_o是变换矩阵，c_n和h_n分别是第n个元素的单元表示和隐藏状态表示，c₀和h₀的值初始化为0；σ是激活函数；将LSTM最后一层的隐藏状态表示作为最终关系的表示，即r_t＝h_m+1。

4.根据权利要求1所述的基于多尺度空洞卷积的时间知识图谱补全方法，其特征在于，所述步骤S2具体为：将特征表示A输入到多尺度空洞卷积神经网络中，通过调整卷积核的空洞率获取不同尺度的卷积核，然后将不同尺度的卷积核作用于输入特征表示A得到多尺度特征映射V₁，V₂，……，V_l。