[发明专利]一种基于多层路径感知的知识图谱外推方法及系统

说明书

本发明涉及一种基于多层路径感知的知识图谱外推方法及系统，知识图谱外推方法包括：应用关系图卷积网络编码器学习实体、关系和时间戳的嵌入表示，捕获事实的动态演变；设计新兴任务处理单元，以构建多层实体集，并对不同层的实体集匹配相应的历史相关度；将预测任务划分为多种推理场景，并将各个推理场景接入相应层次的处理单元，以完成多层历史相关实体集的划分；使用多分类任务解决方法以获取目标实体的预测概率分布，将最高概率的实体作为预测答案，以完成时序知识图谱的外推任务，其中，预测任务是根据历史中未出现的实体和关系是否存在而进行推理场景划分的。知识图谱外推系统包括一个能够运行知识图谱外推方法的程序编码信息的处理器。

技术领域

本发明涉及时序知识图谱推理技术领域，尤其涉及一种基于多层路径感知的知识图谱外推方法及系统。

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。知识图谱通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的。

时序知识图谱是真实世界中一系列时序事实(或者知识)的全新表现形式，常由四元组形式存储，也就是(主语实体，谓语关系，宾语实体，时间戳)，简写为(s,r,o,t)。时序知识图谱拥有丰富的概念、属性、关系等语义信息，使能机器语言认知，广泛地应用于基础自然语言处理任务，例如常识知识抽取、阅读理解等。此外，时序知识图谱使能知识引导和可解释人工智能，可助力推荐系统、智能对话系统等的实现。

时序知识图谱推理本质上是从现有时序事实中预测出新事实，即知识补全或链路预测。假如一个四元组(s,r,o,[t₀,t₁])成立的时间戳区间是从t₀到t₁，那么时序知识图谱推理可分为内推和外推两种模式。两种模式的主要不同在于，在内推设置中的已知事实的时间戳可晚于t₁，而在外推设置中的已知事实的时间戳都早于t₁。现有的推理模型大多集中研究内推，同时外推模型在近些年也得到了一定的关注，其中包含：使用时间嵌入、时间超平面和加性时间序列分解对时间信息进行编码的模型，通过旋转事实以捕捉时间与多关系特征之间的丰富交互信息的模型，以及利用消息传递网络来捕获图形快照邻域信息的模型等。

CN114780739A公开了一种基于时间图卷积网络的时序知识图谱补全方法及系统，该发明的时间图卷积网络包括结构编码器、时序编码器和解码器三个模块；该发明首先选择待补全的时序知识图谱G，并确定该时序知识图谱待补全的目标时间步；然后通过结构编码器产生时序知识图谱每个时间步的实体嵌入向量和关系嵌入向量；接着通过时序编码器生成实体和关系在预测时间步对应的最终嵌入向量；最后通过解码器对每个候选四元组(s,r,o,t)根据得到的头实体s、关系r和尾实体o在时间步t对应的最终嵌入向量，对待补全时序知识图谱中缺失内容进行预测，完成时序知识图谱的补全。该发明可以有效提升时序知识图谱补全任务的准确率。

CN112860918A公开了一种基于协同演化建模的时序知识图谱表示学习方法，属于时序知识图谱技术领域，根据待表示的时序知识图谱，初始化模型的参数以及任一实体和关系的嵌入表示；计算得到每个已知事实的发生概率，并通过最大化已知事实的发生概率得到局部结构的演化损失；为每个时序知识图谱快照的图结构计算其对应的软模块度，并最大化软模块度得到全局结构的演化损失；计算得到模型的整体损失函数；利用梯度下降法迭代优化所述模型的整体损失函数，直至模型收敛。该发明解决了以往的工作因为忽略时序知识图谱的演化本质而无法获得准确的嵌入表示的问题。