一种时序知识图谱动态补全方法、介质及终端

本发明属于知识图谱补全，尤其涉及一种时序知识图谱动态补全方法、介质及终端。

背景技术：

1、大规模的新闻流具有时效性、真实性的特点，但是目前对于新闻流的应用不够新颖，利用新兴的知识图谱技术可以更好利用新闻，掌握社会、经济、金融等领域新闻事件，并且对每个新闻事件内关系进行预测，补全时序知识图谱节点、关系。

2、知识图谱补全(kgc)可以预测缺失的链接，对于普遍存在不完备性的现实世界知识图谱来说是至关重要的，许多知识图谱补全方法通过知识图谱嵌入实现了有效的链接预测。当前的知识图谱研究多集中在静态知识图谱上，事实不随时间变化，而对知识图谱的时间动态研究较少。然而，时间信息是非常重要的，因为知识图谱中的许多事实会随着时间变化，结构化的知识只在一个特定的时期内存在，而事实的演变遵循一个时间序列。若是忽略时间信息，将很有可能会导致新闻流产生歧义或被误解，新闻流的时效性以及真实性难以得到保证。公开号为cn114610900a的专利申请提供了一种知识图谱补全方法及系统，该方法包括：步骤s1：输入需要进行缺失三元组补全的知识图谱；步骤s2：训练基于空间投影和卷积神经网络的负采样评估模型；步骤s3：根据负采样评估模型生成高质量错误三元组来构建训练集；步骤s4：训练融合三元组上下文语义的知识图谱补全模型；步骤s5：根据知识图谱补全模型进行知识图谱补全。此专利虽然适用于大规模知识图谱补全任务，但是并未考虑时间信息对知识图谱补全结果的影响，存在与现有技术同样的弊端。

3、因此，如何将新闻流数据的时间信息融入知识图谱补全方法中，以保证新闻流数据的时效性以及真实性，是本技术领域人员亟待解决的问题。

技术实现思路

1、针对现有技术的不足，本发明的目的是提供一种时序知识图谱动态补全方法，以解决现有技术中知识图谱补全方法未考虑时间信息对新闻流数据的影响，导致新闻流数据时效性以及真实性无法得到保证的问题；另外本发明还提供了一种时序知识图谱动态补全介质及终端。

2、为了解决上述技术问题，本发明采用了如下的技术方案：

3、第一方面，本发明提供了一种时序知识图谱动态补全方法，包括以下步骤：

4、s10、在当前时序知识图谱中确定待补全的目标实体；

5、s20、通过卷积神经网络进行集成，将学习方法的输出作为神经网络的输入；

6、s30、训练神经网络的权重，通过非线性优化得到最终输出方法；

7、s40、根据最终输出方法，补全时序知识图谱中的目标实体信息；

8、s50、对比四元组中的时间信息，对事件四元组进行更新。

9、进一步的，所述步骤s40的具体步骤如下：

10、s401、数据预处理：从数据中提取实体和关系信息，构建时序知识图谱；

11、s402、实体和关系表示学习：使用深度学习模型将实体和关系映射到低维向量空间中并学习语义表示；

12、s403、时序关系建模：考虑时序信息，使用模型学习实体和关系的演化过程；

13、s404、图谱补全：通过使用学习到的实体和关系表示以及时序建模，预测图谱中缺失的实体和关系；

14、s405、模型评估和调整：对补全的图谱进行评估和调整。

15、进一步的，，所述步骤s20中的学习方法包括基于知识表示的方法、基于路径查找的方法、基于推理规则的方法、基于强化学习的方法以及基于元学习的方法。

16、进一步的，所述步骤s50中按照时间先后顺序排列，并且更新时采用最后时间的四元组。

17、进一步的，所述步骤s402中的模型包括卷积神经网络、循环神经网络和变换器。

18、进一步的，所述步骤s403中具体是基于rnn和lstm模型进行时序关系建模。

19、进一步的，所述步骤s404中使用的模型包括深度学习模型和图神经网络模型。

20、第二方面，本发明还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法。

21、第三方面，本发明还提供了一种电子终端，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如上所述方法。

22、本发明提供的时序知识图谱动态补全方法、介质及终端与现有技术相比，至少具有如下有益效果：

23、当前的知识图谱研究多集中在静态知识图谱上，事实不随时间变化，而对知识图谱的时间动态研究较少，若是忽略时间信息，将很有可能会导致新闻流产生歧义或被误解，新闻流的时效性以及真实性难以得到保证。本发明流程简单、结果准确，将事实成立的时间信息融入到传统的补全模型中，可以了解知识图谱的动态演化，避免了时间信息对事实的影响，保证了事实的时效性与真实性，比现有知识图谱补全方法具有更高的链接预测精度。

技术特征：

1.一种时序知识图谱动态补全方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种时序知识图谱动态补全方法，其特征在于，所述步骤s40的具体步骤如下：

3.根据权利要求1所述的一种时序知识图谱动态补全方法，其特征在于，所述步骤s20中的学习方法包括基于知识表示的方法、基于路径查找的方法、基于推理规则的方法、基于强化学习的方法以及基于元学习的方法。

4.根据权利要求1所述的一种时序知识图谱动态补全方法，其特征在于，所述步骤s50中按照时间先后顺序排列，并且更新时采用最后时间的四元组。

5.根据权利要求2所述的一种时序知识图谱动态补全方法，其特征在于，所述步骤s402中的模型包括卷积神经网络、循环神经网络和变换器。

6.根据权利要求2所述的一种时序知识图谱动态补全方法，其特征在于，所述步骤s403中具体是基于rnn和lstm模型进行时序关系建模。

7.根据权利要求2所述的一种时序知识图谱动态补全方法，其特征在于，所述步骤s404中使用的模型包括深度学习模型和图神经网络模型。

8.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法。

9.一种电子终端，其特征在于，包括：处理器及存储器；

技术总结
本发明适用于知识图谱补全技术领域，涉及一种时序知识图谱动态补全方法、介质及终端，包括以下步骤：S10、在当前时序知识图谱中确定待补全的目标实体；S20、通过卷积神经网络进行集成，将学习方法的输出作为神经网络的输入；S30、训练神经网络的权重，通过非线性优化得到最终输出方法；S40、根据最终输出方法，补全时序知识图谱中的目标实体信息；S50、对比四元组中的时间信息，对事件四元组进行更新。本发明流程简单、结果准确，将事实成立的时间信息融入到传统的补全模型中，避免了时间信息对事实的影响，保证了事实的时效性与真实性。

技术研发人员：王源,刘伍颖
受保护的技术使用者：鲁东大学
技术研发日：
技术公布日：2024/2/29