[发明专利]递归的时序知识图谱补全方法和装置

权利要求书

1.一种递归的时序知识图谱补全方法，其特征在于，包括：

获取时序知识图谱；其中，所述时序知识图谱包括不同时间戳的子知识图谱序列；

根据所述时序知识图谱，获取对应的静态知识图谱，将所述静态知识图谱及所述静态知识图谱的特征经过嵌入学习获取更新后的静态知识图谱的特征；其中，所述更新后的静态知识图谱的特征为第一时间戳的子知识图谱的特征；

采用递归方式，以第一时间戳的子知识图谱为起点，将当前时间戳的子知识图谱、当前时间戳的子知识图谱的特征和嵌入学习参数作为嵌入学习的输入，得到更新后的嵌入学习参数和特征，将所述更新后的嵌入学习参数和特征作为相邻下一时间戳的子知识图谱的嵌入学习参数和相邻下一时间戳的子知识图谱的特征，直至遍历所述时序知识图谱中所有时间戳的子知识图谱序列；

根据所述时序知识图谱中每个时间戳的子知识图谱的对应的嵌入学习参数和特征，对所述每个时间戳的子知识图谱进行事实预测，以对所述时序知识图谱进行补全。

2.如权利要求1所述的方法，其特征在于，所述嵌入学习包括：基于翻译思想、基于神经网络的嵌入学习。

3.如权利要求1所述的方法，其特征在于，根据所述时序知识图谱，获取对应的静态知识图谱，包括：

将所述时序知识图谱中的不同时间戳的子知识图谱序列转化为静态知识图谱G_static，将所述静态知识图谱G_static作为所述时序知识图谱对应的静态知识图谱，具体表现公式为：

其中，表示所述时序知识图谱在t_i时刻的子知识图谱。

4.如权利要求1所述的方法，其特征在于，采用递归方式，以第一时间戳的子知识图谱为起点，将当前时间戳的子知识图谱及所述当前时间戳的子知识图谱的特征和嵌入学习参数作为嵌入学习的输入，得到更新后的嵌入学习参数和特征，包括：

以第一时间戳的子知识图谱为起点，根据当前时间戳的子知识图谱、当前时间戳的子知识图谱的特征以及嵌入学习参数构成损失函数；

根据所述损失函数的梯度，对所述嵌入学习参数和特征进行更新，具体公式为：

其中，α为学习率，表示损失函数的梯度；

对应的，将所述更新后的嵌入学习参数和特征作为相邻下一时间戳的子知识图谱的嵌入学习参数和相邻下一时间戳的子知识图谱的特征具体公式为：

5.一种递归的时序知识图谱补全装置，其特征在于，包括：

第一获取模块，用于获取时序知识图谱；其中，所述时序知识图谱包括不同时间戳的子知识图谱序列；

第二获取模块，用于根据所述时序知识图谱，获取对应的静态知识图谱，将所述静态知识图谱及所述静态知识图谱的特征经过嵌入学习获取更新后的静态知识图谱的特征；其中，所述更新后的静态知识图谱的特征为第一时间戳的子知识图谱的特征；

递归学习模块，用于采用递归方式，以第一时间戳的子知识图谱为起点，将当前时间戳的子知识图谱、当前时间戳的子知识图谱的特征和嵌入学习参数作为嵌入学习的输入，得到更新后的嵌入学习参数和特征，将所述更新后的嵌入学习参数和特征作为相邻下一时间戳的子知识图谱的嵌入学习参数和相邻下一时间戳的子知识图谱的特征，直至遍历所述时序知识图谱中所有时间戳的子知识图谱序列；

预测模块，用于根据所述时序知识图谱中每个时间戳的子知识图谱的对应的嵌入学习参数和特征，对所述每个时间戳的子知识图谱进行事实预测，以对所述时序知识图谱进行补全。

6.如权利要求5所述的装置，其特征在于，所述嵌入学习包括：基于翻译思想、基于神经网络的嵌入学习。

7.如权利要求5所述的装置，其特征在于，所述第二获取模块具体用于，

将所述时序知识图谱中的不同时间戳的子知识图谱序列转化为静态知识图谱G_static，将所述静态知识图谱G_static作为所述时序知识图谱对应的静态知识图谱，具体表现公式为：

其中，表示所述时序知识图谱在t_i时刻的子知识图谱。

8.如权利要求5所述的装置，其特征在于，所述递归学习模块具体用于，

以第一时间戳的子知识图谱为起点，根据当前时间戳的子知识图谱、当前时间戳的子知识图谱的特征以及嵌入学习参数构成损失函数，

根据所述损失函数的梯度，对所述嵌入学习参数和特征进行更新，具体公式为：

其中，α为学习率，表示损失函数的梯度；

对应的，将所述更新后的嵌入学习参数和特征作为相邻下一时间戳的子知识图谱的嵌入学习参数和相邻下一时间戳的子知识图谱的特征具体公式为：