[发明专利]人物关系挖掘模型的训练方法、人物关系挖掘方法及装置

说明书

本发明提供了一种人物关系挖掘模型的训练方法、人物关系挖掘方法及装置，训练方法包括：获取时空知识图谱；根据时空知识图谱的正样本进行随机采样，生成负样本，确定正样本和负样本的头实体初始嵌入、关系初始嵌入、尾实体初始嵌入和时间嵌入；对头实体初始嵌入和尾实体初始嵌入进行向量旋转，获得头实体四元数嵌入和尾实体四元数嵌入；将头实体初始嵌入和尾实体初始嵌入分别替换为对应的头实体四元数嵌入和尾实体四元数嵌入，获得处理后的正样本和处理后的负样本；采用处理后的正样本和处理后的负样本迭代训练人物关系挖掘模型至收敛。本发明的技术方案能够挖掘随时间变化而发生演变的实体间关系，并提高知识图谱的完整性。

技术领域

本发明涉及知识图谱技术领域，具体而言，涉及一种人物关系挖掘模型的训练方法、人物关系挖掘方法及装置。

背景技术

知识图谱是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。其中，时空知识图谱是在实体中加入时空属性信息，能够实现对特定目标领域时空数据的管理和查询。时空知识图谱包括大量包含了时空信息的事实，每一个事实分别组成一个四元组(s，r，o，t)，其包括头实体s、关系r、尾实体o和时间t。时空知识图谱通常存在链接缺失的问题，这限制了时空知识图谱的应用，为了尽可能的发挥时空知识图谱的功能，常需要对时空知识图谱进行补全，进一步扩展时空知识图谱，使时空知识图谱更加完整，以揭示实体之间的相互关系。

目前，常采用知识图谱嵌入的方法进行知识图谱补全，根据已知的实体和实体间关系去预测未知的实体和实体间关系，这些方法能关注到实体间静态的关系，但是很多实体之间的关系并不是一成不变的，例如人物之间的关系很多都会随着时间的变化而发生演变，而现有的知识图谱补全方法无法预测实体之间关系随时间的演变。

发明内容

本发明解决的问题是如何挖掘随时间变化而发生演变的实体间关系，提高知识图谱的完整性。

为解决上述问题，本发明提供一种人物关系挖掘模型的训练方法、人物关系挖掘方法、装置及存储介质。

第一方面，本发明提供了一种人物关系挖掘模型的训练方法，包括：

获取预先建立的关于人物关系的时空知识图谱，所述时空知识图谱包括多个正样本；

根据所述正样本进行随机采样，生成负样本，并分别确定各个所述正样本和各个所述负样本的头实体初始嵌入、关系初始嵌入、尾实体初始嵌入和时间嵌入；

根据所述时间嵌入分别对所述头实体初始嵌入和所述尾实体初始嵌入进行向量旋转，包括：将所述头实体初始嵌入左乘所述时间嵌入，并右乘所述时间嵌入的逆，获得头实体四元数嵌入，将所述尾实体初始嵌入左乘所述时间嵌入，并右乘所述时间嵌入的逆，获得尾实体四元数嵌入；

将所述正样本和所述负样本中的所述头实体初始嵌入和所述尾实体初始嵌入分别替换为对应的所述头实体四元数嵌入和所述尾实体四元数嵌入，获得处理后的正样本和处理后的负样本；

采用所述处理后的正样本和所述处理后的负样本迭代训练预先建立的人物关系挖掘模型至收敛。

可选地，所述采用所述处理后的正样本和所述处理后的负样本迭代训练预先建立的人物关系挖掘模型至收敛包括：

对所述尾实体四元数嵌入进行共轭运算，获得尾实体四元数嵌入的共轭嵌入；

将所述头实体四元数嵌入、所述尾实体四元数嵌入的共轭嵌入和所述关系初始嵌入输入人物关系挖掘模型的得分函数，采用所述得分函数分别对所述正样本和所述负样本打分，获得正样本的得分值和负样本的得分值；

将所述正样本的得分值和所述负样本的得分值输入人物关系挖掘模型的损失函数，通过最小化损失函数优化所述人物关系挖掘模型。

可选地，所述得分函数包括：