[发明专利]语义增强的知识图谱周期性推理方法和装置

权利要求书

1.语义增强的知识图谱周期性推理方法，其特征在于，所述方法包括：

S101子图分割：将知识图谱以适合的时间间隔进行离散化处理得到不同时期的时序子图；

S102子图编码：通过关系图卷积网络计算得到同一实体在不同时序子图的向量表示；

S103时序编码：通过门控循环单元对不同时序子图的向量表示进行整合得到一个时序周期的实体向量表示；

S104周期性推理：借鉴TransE模型思想并结合损失函数模型对实体向量表示进行参数优化训练得到包含时序语义信息的实体向量。

2.根据权利要求1所述的语义增强的知识图谱周期性推理方法，其特征在于，步骤S101包括：

S1011：统计知识库中的时间范围大小，确定合适的时间单位，根据确定的时间单位将知识库中的三元组扩展为四元组(s,r,o,[τ_s,τ_e])，其中s，r，o分别为头实体、关系和尾实体，τ_s和τ_e分别表示四元组有效起始时间和终止时间；

S1012：根据不同场景下的数据情况，基于最细粒度规则，设置对应的时间间隔ΔT，将知识图谱离散化表示得到不同时期的时序子图(t₁,t₂…t_n)。

3.根据权利要求2所述的语义增强的知识图谱周期性推理方法，其特征在于，步骤S102包括：

S1021：在不同时期的时序子图(t₁,t₂…t_n)中，以检索的时间点T和周期筛选出对应的子图；

S1022：通过关系图卷积网络计算得到同一实体在不同时序子图的向量表示其中，传播公式为初始化为其中，u_i是对实体e_i的one-hot编码表示，W₀是实体初始化的参数矩阵，和是层与层之间的转移参数矩阵，是与实体e_i通过关系r相连的邻节点集合，是对关系r邻节点信息的归一化处理。

4.根据权利要求3所述的语义增强的知识图谱周期性推理方法，其特征在于，步骤S102还包括：根据关系类型对中心实体的邻节点进行分类，分别形成S_{R_in}，S_{R_out}和S_{R_self}三类集合，根据边类型的不同进行相应的转换，收集的信息经过正则化加和,分别整合为同一纬度的向量；对中心实体的邻节点使用关系图卷积网络进行语义增强；将不同关系类型的邻居节点的嵌入表达以及中心节点的嵌入表达进行融合。

5.根据权利要求3所述的语义增强的知识图谱周期性推理方法，其特征在于，步骤S103包括：采用带有记忆功能的门控循环单元GRU对序列做以时间差为参数的加权运算得到一个时序周期的实体向量表示其中，为衰减率，其中λ_x和b_x为可学习的参数。

6.根据权利要求5所述的语义增强的知识图谱周期性推理方法，其特征在于，步骤S104具体包括：

S1041：对每个三元组(s,r,o)进行负采样(s,r,o′)或(s′,r,o)，o′和s′是根据计算实体之间的相似度进行排序取样；

S1042：根据翻译模型TransE的得分函数计算每个三元组的得分及排序对损失函数模型进行训练；

S1043：根据损失函数模型对实体向量表示进行参数优化训练得到包含时序语义信息的实体向量。

7.根据权利要求6所述的语义增强的知识图谱周期性推理方法，其特征在于，在步骤S1043中，损失函数模型的损失函数为其中，和分别为头尾实体向量表示，z_r表示可学习的关系向量表示。