[发明专利]语义增强的知识图谱周期性推理方法和装置

说明书

本发明公开了一种语义增强的知识图谱周期性推理方法和装置，属于知识图谱技术领域。方法包括：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；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；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；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。本专利通过关系图卷积网络对实体节点的局部邻居信息进行聚合，使得我们的模型语义表现力更强，并采用门控循环单元对一个时序周期的向量进行训练，与现有技术相比，在周期性时间信息推理任务上具有更好的性能。

技术领域

本发明属于知识图谱技术领域，特别涉及一种语义增强的知识图谱周期性推理方法和装置。

背景技术

知识图谱是结构化的语义知识库，用于迅速描述物理世界中的概念及其相互关系。知识图谱通过对错综复杂的文档的数据进行有效的加工、处理、整合，转化为简单、清晰的“实体,关系,实体”的三元组，最后聚合大量知识，从而实现知识的快速响应和推理。现有的数据处理与计算方法只适用于静态图模型，难以融合时间维度，而时序信息非常重要，因为很多结构化的知识只在特定的时间内有效，对于时序深度信息的挖掘和应用都很难实现。由于知识是全局和动态的，检索出的知识不仅要满足当前时间点的背景，而且要兼容局部的结构化检索需求，现有的方法多依赖于闭合世界假设，虽部分取得了良好的性能但难以应用于实际情况，加上时间维度之后，就打破了原有知识图谱的闭合世界，实体间语义关联会动态变化，形成一个开放世界。

近年来，随着知识图谱的发展，知识图谱推理也愈加受到广泛关注。知识推理即根据已有知识，使用自动化方法推理得到潜在实体之间的关系对和识别错误的知识以达到完善知识图谱的效果。知识图谱推理可以形式化定义为：给定一个知识图谱KG＝头实体集，关系集，尾实体集，其中每个知识图谱中有若干三元组(h，r，t)。而现如今的开放世界下，时序知识图谱的相关研究越来越热门。传统的知识推理是将首先静态知识图谱向低维向量空间映射，使实体和关系的语义信息尽可能用向量表示，再进行知识推理，但整个过程中没有考虑时序信息。对时序关联的知识表示方法的研究多仅在传统知识表示上进行了简单的扩展，仍处于初级阶段，存在－些问题：(1)只考虑单个实体节点的信息，没有考虑邻居节点的语义信息，这会造成实体的建模能力不足而影响知识推理效果。(2)没有考虑时序周期的依赖关系，只把三元组分别映射到离散的时序平面上，这导致无法准确完成周期性时间信息的推理和预测，从而影响时序知识图谱的完备性。如何充分利用邻节点的语义信息得到实体的向量表示，以及如何考虑时序的周期性对当前时间点向量表示的影响是本发明的核心问题。

发明内容

本发明通过关系图卷积网络对实体节点的局部邻居信息进行聚合，使得我们的模型语义表现力更强，并采用门控循环单元对一个时序周期的向量进行训练，与传统时序知识表示模型HyTE的得分函数训练方法进行对比，在周期性时间信息推理任务上具有更好的性能。所述技术方案如下：

一方面，本发明实施例提供了一种语义增强的知识图谱周期性推理方法，该方法包括：

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。

其中，步骤S101包括：