[发明专利]基于多尺度空洞卷积的时间知识图谱补全方法

说明书

本发明涉及种基于多尺度空洞卷积的时间知识图谱补全方法，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。本发明解决了传统卷积神经网络模型实体与关系间交互性差、参数量和计算量大的问题。

技术领域

本发明涉及知识图谱补全领域，具体涉及一种基于多尺度空洞卷积 的时间知识图谱补全方法。

背景技术

现有的静态知识图谱嵌入模型虽然在知识图谱补全任务中取得 了一定的成效，但是由于模型不考虑时间信息，无法建模随时间变化 的知识。比如(X，presidentOf，USA，2010)这个四元组，由于这 类模型不使用时间，会得到多个答案，比如“Obama”、“Clinton”等， 但实际上该四元组只有一个有效的答案“Obama”。近几年来，卷积神 经网络受到了广大研究学者的关注，它学习非线性特征来捕捉复杂的 关系。受CNN的启发，国内外学者提出了ConvE、InteractE等一系 列将卷积神经网络应用于KGC的模型，它们将卷积核作用于关系和实 体拼接的矩阵中获取特征信息，在静态知识图谱补全任务中取得了较 好的效果。但是这类模型使用单个尺度卷积核不能从不同感受野(即 特征映射上的一个点对应输入图上的区域大小)中获取信息，只能提 取局部特征，这不可避免地丢失了一些重要信息，导致模型不能获取 丰富的特征信息，实体与关系之间的交互性也较差。

发明内容

有鉴于此，本发明的目的在于提供一种基于多尺度空洞卷积的时 间知识图谱补全方法，解决了传统卷积神经网络模型实体与关系间交 互性差、参数量和计算量大的问题

为实现上述目的，本发明采用如下技术方案：

一种基于多尺度空洞卷积的时间知识图谱补全方法，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。

进一步的，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

进一步的，所述LSTM具体为：