申请/专利权人:海南大学
申请日:2023-11-29
公开(公告)日:2024-04-30
公开(公告)号:CN117952198A
主分类号:G06N5/022
分类号:G06N5/022;G06N3/049;G06N3/0464;G06N3/0442;G06N3/0455;G06N5/04
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.05.17#实质审查的生效;2024.04.30#公开
摘要:本发明公开基于时间特征和复杂进化下的时序知识图谱表示学习方法,包括构建TFCE模型,包括时间特征模块、复杂进化模块和两个嵌入时间的解码器,时间特征模块,用于对知识图谱中的实体和关系进行时间编码,捕捉时间特征的长距离依赖关系和关联关系,获得时间嵌入矩阵;复杂进化模块中引入感知机制和注意力网络,用于分别学习知识图谱中的实体和关系在每个时间戳上的进化表示,更新实体嵌入矩阵和关系嵌入矩阵;两个嵌入时间的解码器同时进行实体预测和关系预测;将数据集输入至所述TFCE模型进行训练,同时计算损失函数以更新模型参数,当损失函数不断下降直至收敛时,得到最优TFCE模型。本发明能够提高对未来事件的预测效果。
主权项:1.基于时间特征和复杂进化下的时序知识图谱表示学习方法,其特征在于,包括如下步骤:构建TFCE模型,所述TFCE模型包括时间特征模块、复杂进化模块和两个嵌入时间的解码器,其中,所述时间特征模块,用于对知识图谱中的实体和关系进行时间编码,捕捉时间特征的长距离依赖关系,获得时间嵌入矩阵;所述复杂进化模块中引入感知机制和注意力网络,用于分别学习知识图谱中的实体和关系在每个时间戳上的进化表示,更新实体嵌入矩阵和关系嵌入矩阵;两个所述嵌入时间的解码器采用TimeConvTransE和TimeConvTransR同时进行实体预测和关系预测,通过sigmoid函数输出结果;将数据集输入至所述TFCE模型进行训练,同时计算损失函数以Adam优化器更新模型参数,当损失函数不断下降直至收敛时,得到最优TFCE模型;通过最优TFCE模型进行时序知识图谱中对应的实体预测或关系预测。
全文数据:
权利要求:
百度查询: 海南大学 基于时间特征和复杂进化下的时序知识图谱表示学习方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。