申请/专利权人：浙江大学

申请日：2021-08-12

公开（公告）日：2024-05-07

公开（公告）号：CN113688253B

主分类号：G06N3/0985

分类号：G06N3/0985;G06N3/0464;G06N3/045;G06N3/0442;G06F16/35;G06F16/36;G06N5/022;G06N5/04

优先权：

专利状态码：有效-授权

法律状态：2024.05.07#授权;2021.12.10#实质审查的生效;2021.11.23#公开

摘要：本发明公开了一种层次感知的时态知识图谱表示学习方法，包括：1提取时态知识图谱中的事件；2根据每个时刻的发生事件构建原图，建模实体之间的历史相关性；3在层次图发现网络中，利用层次映射器将实体映射到实体组，并通过隐式关系编码器，以端到端的方式推理成对实体组之间的隐式相关性；4在层次化耦合图卷积‑门控循环神经网络中，利用层次化图卷积更新每一个时刻的实体表示，并将不同时刻更新后的实体表示输入到门控循环神经网络中，获得包含历史信息和邻居信息的实体表示；5通过多标签分类器输出实体之间未来可能发生的所有事件。该学习方法可以建模邻近和遥远的邻居实体以及事件之间的时间依赖对实体表示的影响。

主权项：1.一种层次感知的时态知识图谱表示学习方法，其特征在于，被应用在社会关系分析应用中，包括以下步骤：1从对时态知识图谱中提取发生事件，其中，事件是由两个人，两个人之间发生的关系及关系发生时间构成的四元组，个体在时态知识图谱中为实体，关系类型包括具有共同兴趣爱好、属于同一个职业、以及具有共同好友；2根据每个时刻的发生事件构建原图，建模实体之间的历史相关性；3在层次图发现网络中，利用层次映射器对原图进行处理以将实体映射到实体组，并通过隐式关系编码器，以端到端的方式推理成对实体组之间的隐式相关性；其中，利用层次映射器对原图进行处理以将实体映射到实体组，包括：通过层次映射器发现实体和实体组之间的多对多映射关系，利用层次映射器将实体表示e映射到实体组表示g，计算公式如下所示： 其中，ei为实体表示，通过随机初始化得到，gj为实体组的表示，Mi,j表示实体i被分配到实体组j的概率，Ne为实体的数量；通过隐式关系编码器，以端到端的方式推理成对实体组之间的隐式相关性，完成层次图Ghierachical＝Vhierachical,Ehierachical的发现，其中Vhierachical表示层次图上的节点集合，Ehierachical表示层次图上的边集合；层次图上的节点和边分别表示实体组和实体组之间的隐式相关性；将层次图Ghierachical建模为全连接图，利用隐式关系编码器推理成对实体组之间的隐式相关性，计算公式如下所示：ci,j＝ReLUσgi,gj其中，gi和gj是实体组的表示，σ为编码函数，由多层感知机MLP实现；4在层次化耦合图卷积-门控循环神经网络中，利用层次化图卷积对实体组和实体组之间的隐式相关性进行处理以更新每一个时刻的实体表示，并将不同时刻更新后的实体表示输入到门控循环神经网络中，获得包含历史信息和邻居信息的实体表示；其中，层次化图卷积包含层次图卷积层和原图卷积层，在层次图卷积中，离彼此遥远的实体通过实体组共享信息，实体组的表示通过聚合和更新操作得到，聚合操作首先通过GCN聚合邻居实体组的信息，然后通过转换函数计算隐式关系的表示，具体计算为： 其中，为转换函数，由多层感知机MLP实现；之后，实体组的表示被更新，计算公式如下所示： 其中，为转换函数，由多层感知机MLP实现；在原图卷积中，实体的表示通过映射操作、聚合操作和更新操作得到，首先，实体组的信息通过映射矩阵M反馈到实体，实体的表示ei计算公式如下所示： 其次，通过聚合操作，实体的表示聚合了来自邻居实体的信息，聚合操作可由CompGCN实现，CompGCN聚合来自邻居实体和关系的信息，聚合操作的计算公式如下所示： 其中，是原图上实体ei的邻居集合，ri,j为事件类型表示，通过随机初始化得到；之后，实体的表示被更新，计算公式如下所示： 其中，为转换函数，由多层感知机MLP实现；5通过多标签分类器对实体表示进行处理以输出实体之间未来可能发生的所有事件。

全文数据：

权利要求：

百度查询： 浙江大学 一种层次感知的时态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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD