[发明专利]基于知识图谱的预测方法、装置、电子设备及存储介质

权利要求书

1.一种基于知识图谱的预测方法，其特征在于，包括：

构建知识图谱，所述知识图谱的基本单位为三元组；

所述知识图谱包括模式层和数据层，所述三元组为时序三元组；

基于所述知识图谱，预测网络空间中某个实体与其他实体间的关系。

2.如权利要求1所述的方法，其特征在于，所述模式层的三元组为(头实体，关系|时序信息，尾实体)或者(实体，属性，属性值)，其中，所述属性包括时序信息和/或空间信息，所述时序信息包括关系成立时间、关系的有限期限和/或关系消除时间。

3.如权利要求2所述的方法，其特征在于，根据建立的所述模式层建立所述数据层，数据层从非结构化数据、半结构化数据和结构化数据来源中进行实体抽取、属性抽取和关系抽取，并对不同来源的数据进行整合及消歧。

4.如权利要求3所述的方法，其特征在于，基于所述知识图谱，预测网络空间中某个实体与其他实体间的关系，具体为：

基于所述知识图谱，收集网络空间中某个实体X的各项信息X^(m)，各项信息X^(m)包括该实体X相关的行为信息、流量信息和设备日志信息，表示为X^(m)＝X^(m)_t1,X^(m)_t2,…,X^(m)_tn(m＝1,2,…，N，m定义为与实体相关的某一项相关信息)；

经过链接预测，输出与其他实体Z之间是否有存在关系Y，Y可表示为(X,是否有存在关系Y,Z)，预测过程表示为P＝{X,Y}＝{X⁽¹⁾,X⁽²⁾,…,X^(N),Y}，其中P为预测结果。

5.如权利要求4所述的方法，其特征在于，基于所述知识图谱，收集网络空间中某个实体的各项信息X^(m)，经过链接预测，输出与其他实体之间是否有存在关系，具体为：

将基于所述知识图谱，收集网络空间中某个实体的各项信息X^(m)使用TransR转换模型做向量化处理；

将基于TransR转换模型向量化处理的X^(m)传入时间递归神经网络模型进行增量学习；

时间递归神经网络模型的输出进行序列增量组合，然后进入结果分类，若结果分类表明与其他实体之间存在关系，则认为两实体之间有关联。

6.一种基于知识图谱的预测装置，其特征在于，包括：

知识图谱构建模块：用于构建知识图谱，所述知识图谱的基本单位为三元组；所述知识图谱包括模式层和数据层，所述三元组为时序三元组；

预测模块：用于基于所述知识图谱，预测网络空间中某个实体与其他实体间的关系。

7.如权利要求6所述的装置，其特征在于，所述模式层的三元组为(头实体，关系|时序信息，尾实体)或者(实体，属性，属性值)，其中，所述属性包括时序信息和/或空间信息，所述时序信息包括关系成立时间、关系的有限期限和/或关系消除时间。

8.如权利要求7所述的装置，其特征在于，根据建立的所述模式层建立所述数据层，数据层从非结构化数据、半结构化数据和结构化数据来源中进行实体抽取、属性抽取和关系抽取，并对不同来源的数据进行整合及消歧。