[发明专利]一种基于时态合作者知识图谱的合作者预测方法和预测系统

说明书

本发明公开了一种基于时态合作者知识图谱的合作者预测方法，该方法中包括：1.时态合作者知识图谱的构建；2.采用基于预训练语言模型的语义编码器挖掘时态合作者知识图谱中的实体的语义信息，作为其初始化表示；3.对每个实体的邻域中的时态三元组根据时态图注意力机制计算其对于中心实体的归一化注意力系数，并根据该系数加权聚合邻域信息以更新实体嵌入表示4.给定一个三元组，由基于多尺度卷积核策略的解码器在三元组嵌入矩阵上进行解码得到该三元组的分数。5.给出两个从未合作过的作者，根据嵌入编码器得到他们的嵌入表示，由解码器中输出其分数，如果大于阈值则预测他们之间会产生合作。本方法可以极大的提高预测性能。

技术领域

本发明属于社会网络分析技术领域，涉及图中节点之间的链接预测方法，更为具体地讲，涉及一种基于时态合作者知识图谱的合作者预测方法和预测系统。

背景技术

最近数十年，由于现代互联网及其相关技术的迅猛发展，人与人之间的各种类型的交互愈加频繁，进而促进了研究人员对愈加庞大的在线社交网络的研究兴趣和热情。社交网络分析的应用场景非常丰富，例如舆情网络中的舆情分析与控制，在线社交系统中的即时用户推荐，影响力分析等等。而合作者网络作为社交网络的一种重要子网络，在近年来也受到了非常大的关注。合作者网络预测任务作为合作者网络的一种重要任务，能够为学术研究者之间的项目、论文合作提供强有力的建议，从而推荐合适的合作者，同时增加研究者之间的学术思想交流。

对于合作者预测问题，传统的工作往往都是基于同质网络来进行的，即网络中只有一种类型的节点和一种类型的关系，例如合作者网络、友谊网络等等。传统的共同作者预测模型经常忽略或未充分利用各种关系的信息，例如论文会议，论文主题和作者所属机构。这些信息对于共同作者的预测非常重要。例如，所属结构相同的作者将来更有可能合作。

在2012年谷歌提出多关系有向图知识图谱(Knowledge Graphs)并将其用于语义搜索中之后，知识图谱再一次涌入学者的研究视线，将这些蕴含着人类大量先验知识的知识图谱与深度学习融合成为了进一步提升人工智能效果重要思路之一，知识图谱的地位也再一次得到了重视，并在语义分析、问答系统、推荐系统等等多个领域获得了巨大的成功。知识图谱由大量形式为(头实体，关系，尾实体)的三元组组成，实体即为节点，关系即为节点之间的有向边。合作者预测问题在知识图谱上的表现形式为三元组的二分类形式，即判断该三元组是否为真，特殊的是需要固定头实体和尾实体的类型为作者，关系为合作关系。

知识图谱(Knowledge Graphs)作为一种多关系图，可以通过KG嵌入学习获得作者节点的有力表达。KG嵌入是指将知识图谱中的实体和关系映射到连续的嵌入空间当中。现有的KG嵌入学习模型主要分为针对静态KGs，如基于翻译的模型TransE，基于卷积神经网络的ConvE，基于图神经网络的KBGAT等，但是这些模型没有考虑时间信息；以及针对时态KGs，如将时间顺序作为约束来提高嵌入表示的质量的TAE，将每个时间戳与相应的超平面相关联的HyTE，但是这些模型还是独立考虑每个三元组，无法对实体之间的时态交互进行建模。所谓时态交互是指，由于邻居节点与中心实体之间是具有时间属性的，因此每个中心实体的邻居节点之间存在着时态属性上的交互。

发明内容

本发明的目的在于克服现有技术的不足，提出了一种基于时态合作者知识图谱的合作者预测方法。由于问题的复杂性，提出了一种具有编码器-解码器的深度学习模型，其中编码器分为两个，捕获实体语义信息的语义编码器以及通过时态图注意力机制建模中心实体邻域时态交互并聚合时空邻域信息的嵌入编码器，以及用于三元组评分的基于多尺度卷积核的解码器。具体步骤包括如下：

本发明方法的模型训练包括以下步骤：

步骤(1)：构建时态合作者知识图谱：对收集得到的学术关系做数据清洗，然后创建由形式为头实体，关系，尾实体的并带有时间属性的时态三元组组成的时态合作者知识图谱，并放入Neo4j图数据库中存储；