[发明专利]基于元知识的知识图谱的知识推理方法、系统以及介质

权利要求书

1.一种基于元知识的知识图谱的知识推理方法，其特征在于，包括以下步骤：

步骤1：数据集构建：建立由知识图谱三元组：头实体、关系、尾实体组成的数据集；

步骤2：数据再处理：将数据集中的实体的初始化嵌入向量分别通过数据再处理模型进行再学习，获取实体本身的语义，得到最终的实体的嵌入向量；

步骤3：模型训练：构建知识推理模型，将经数据再处理的数据集中的三元组输入知识推理模型进模型训练，得到训练好的知识推理模型；

步骤4：知识推理：通过训练好的知识推理模型，对知识图谱三元组中的备选尾实体进行评分，选取评分最高的尾实体作为知识推理模型的推理结果。

2.根据权利要求1所述的一种基于元知识的知识图谱的知识推理方法，其特征在于：在步骤1中，建立由知识图谱三元组：头实体、关系、尾实体组成的数据集，先对数据集进行预处理，然后将数据集分成训练任务数据集TrainD、测试任务数据集TestD以及验证任务数据集ValD，训练任务数据集TrainD、测试任务数据集TestD以及验证任务数据集ValD分别对应训练任务Train_task、测试任务Test_task以及验证任务Val_task设置。

3.根据权利要求2所述的一种基于元知识的知识图谱的知识推理方法，其特征在于：在步骤1中，训练任务数据集TrainD设置包括：

假设该训练任务数据集TrainD共有k种关系，则设置k个训练任务，将第m个关系所对应的任务集表示为，即；在任务中，再将数据集分为support集和query集，即；

设定训练任务中，基于Few-Shot的知识推理技术将support集的样本个数设定为few，而query集的样本个数与训练batch中的数据个数相同，设定为b，则有，其中表示头实体，表示关系，表示尾实体；

将query集分为正负样本进行训练，即，其中正例集可以表示为，根据正例集对集中的尾实体进行改变得到负例集，相对应的负例结合可以表示为，其中表示头实体，表示关系，表示尾实体；

测试任务Test_task与验证任务Val_task的设置方式同训练任务Train_task，训练任务Train_task、测试任务Test_task与验证任务Val_task中所有关系的集分别表示为、和，并且。

4.根据权利要求3所述的一种基于元知识的知识图谱的知识推理方法，其特征在于：在步骤2中，设定需要对实体的初始化嵌入向量通过数据再处理模型进行再学习，表示与直接相连的第k个实体，表示实体与之间的关系， ，其中，emb()表示实体以及关系的初始化嵌入方法，分别表示头实体，关系，尾实体的初始化嵌入向量，通过数据再处理模型进行再学习得到的最终的实体的嵌入向量，表示为

其中，表示激活函数，矩阵以及向量均为可训练参数，表示与实体直接相连的实体个数，通过如下公式表示：

其中，矩阵以及向量均为可训练参数，表示对向量进行首尾拼接。

5.根据权利要求4所述的一种基于元知识的知识图谱的知识推理方法，其特征在于：在步骤3中，知识推理模型通过如下公式表示：

其中，，是由query集中所有头实体和尾实体分别经过数据再处理得到的两个矩阵拼接而成，，其中表示一个标准LSTM单元，x为输入，h，c分别表示LSTM单元当中的隐状态参数和单元状态参数，即此处表示第k个LSTM单元的隐状态输出参数，表示第k个LSTM单元的单元状态输出参数，，表示取矩阵的前2n列，将作为模型第k+1个LSTM单元的隐状态输入，作为模型第k+1个LSTM单元的单元状态输入参数，表示对向量进行首尾拼接，，，矩阵是由support集的所有头实体和尾实体分别经过数据再处理得到的两个矩阵拼接而成，，表示注意力权重，表示query集中的每个数据基于support集的语义表示向量。