[发明专利]一种层次感知的时态知识图谱表示学习方法

说明书

本发明公开了一种层次感知的时态知识图谱表示学习方法，包括：1)提取时态知识图谱中的事件；2)根据每个时刻的发生事件构建原图，建模实体之间的历史相关性；3)在层次图发现网络中，利用层次映射器将实体映射到实体组，并通过隐式关系编码器，以端到端的方式推理成对实体组之间的隐式相关性；4)在层次化耦合图卷积‑门控循环神经网络中，利用层次化图卷积更新每一个时刻的实体表示，并将不同时刻更新后的实体表示输入到门控循环神经网络中，获得包含历史信息和邻居信息的实体表示；5)通过多标签分类器输出实体之间未来可能发生的所有事件。该学习方法可以建模邻近和遥远的邻居实体以及事件之间的时间依赖对实体表示的影响。

技术领域

本发明属于时态知识图谱表示学习领域，具体涉及一种层次感知的时态知识图谱表示学习方法。

背景技术

时态知识图谱，例如全球新闻事件库(GDELT)和综合危机预警系统(ICEWS)，包含大量具有时间标记的知识，即事件。时态知识图谱中的事件以四元组(头实体、事件类型、尾实体、时间戳)的形式表示。时态知识图谱表示学习基于历史发生事件，将知识图谱中的实体和事件类型映射成低维、连续的向量表示，这对于社交网络分析等领域有着重要意义。

传统的时态知识图谱表示学习方法以向量表示学习、超平面的投影或张量分解的方式建模时间信息。这些方法只对时间信息进行简单建模，忽略了时间依赖。最近，序列模型的快速发展使得在时态知识图谱中建模事件之间的时间依赖变得可行。研究人员提出基于序列模型的时态知识图谱表示学习方法来建模事件之间的时间依赖。

基于序列模型的时态知识图谱表示学习方法利用序列学习模型建模时间依赖，具体可以细分为两类。第一类方法利用循环神经网络(RNN)与其变体，如门控循环神经网络(GRU)和长短时记忆模型(LSTM)，建模事件之间的时间依赖。然而，这类方法忽略了邻居实体对表示的影响。

第二类方法将图卷积网络(GCNs)和循环神经网络结合，同时建模邻居实体及事件之间的时间依赖。在这类方法中，往往基于历史发生事件构建图，并通过图卷积网络聚合邻居实体。这类方法通常通过堆叠多个图卷积层来建模遥远的邻居实体。然而，加深图卷积的层数会导致过平滑问题，即邻居实体的表示将变得相似。

发明内容

鉴于上述，本发明的目的是提供一种层次感知的时态知识图谱表示学习方法，有效建模遥远的邻居实体对实体表示的影响。

实施例提供的一种层次感知的时态知识图谱表示学习方法，包括以下步骤：

(1)从对时态知识图谱中提取发生事件；

(2)根据每个时刻的发生事件构建原图，建模实体之间的历史相关性；

(3)在层次图发现网络中，利用层次映射器对原图进行处理以将实体映射到实体组，并通过隐式关系编码器，以端到端的方式推理成对实体组之间的隐式相关性；

(4)在层次化耦合图卷积-门控循环神经网络中，利用层次化图卷积对实体组和实体组之间的隐式相关性进行处理以更新每一个时刻的实体表示，并将不同时刻更新后的实体表示输入到门控循环神经网络中，获得包含历史信息和邻居信息的实体表示；

(5)通过多标签分类器对实体表示进行处理以输出实体之间未来可能发生的所有事件。

本发明根据每个时刻的发生事件构建原图，利用层次映射器和隐式关系编码器完成层次图发现，并利用层次化耦合图卷积-门控循环神经网络进行表示学习，可以建模邻近和遥远的邻居实体及事件之间的时间依赖对实体表示的影响。与现有的方法相比，其优点在于：

1)引入了层次图发现网络基于原图发现层次图，利用层次映射器将实体映射到实体组，并通过隐式关系编码器，以端到端的方式推理成对实体组之间的隐式相关性。