(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210320462.6 (22)申请日 2022.03.29 (71)申请人 湖北技术交易所 地址 430071 湖北省武汉市武昌洪山路2号 湖北科技大厦A-D座7楼 (72)发明人 刘湘赣　陈汉梅　向闱　卢敏　 刘然　田园　何金凤　 (74)专利代理 机构 武汉惠创知识产权代理事务 所(普通合伙) 42243 专利代理师 吴平兰 (51)Int.Cl. G06F 16/36(2019.01) G06F 16/33(2019.01) G06F 40/30(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06N 5/04(2006.01) (54)发明名称 语义增强的知识图谱周期性推理方法和装 置 (57)摘要 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Tran sE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。 权利要求书2页 说明书5页 附图1页 CN 115186098 A 2022.10.14 CN 115186098 A 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,[τs, τe])， 其中s， r， o分别为头实体、 关系和尾实 体， τs和 τe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…tn)。 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…tn)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， ui是对实体ei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ei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SR_in， SR_out和SR_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λx和bx为可学习的参数。权　利　要　求　书 1/2 页 2 CN 115186098 A 26.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， zr表示可学习的关系 向量表示。 8.根据权利要求7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 还包括： 针对语义检索的内容， 提取出包含缺失项的四元组(s,r,？ , τ)、 (？ ,r,o, τ)或者 (s,？ ,o, τ )， 对损失函数模 型训练得到的包含时序语义信息的实体向量进行打分判断， 得出 可能的结果 候选集并排序， 将其作为结果返回。 9.语义增强的时序知识图谱周期性推理装置， 其特 征在于， 包括： 子图分割 模块， 用于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； 子图编码模块， 用于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； 时序编码模块， 用于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； 周期性推理模块， 用于借鉴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。权　利　要　求　书 2/2 页 3 CN 115186098 A 3