买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：国网信通亿力科技有限责任公司

摘要：本发明涉及一种基于深度学习的关系自动识别方法及系统，包括以下步骤：步骤S1:收集电力系统知识图谱数据，得到待识别电力系统知识图谱数据集；步骤S2:结合GAT和GCN，构建多层次的图神经网络模型；步骤S3:基于历史电力系统知识图谱数据训练多层次的图神经网络模型，得到关系自动识别模型；步骤S4:结合知识图谱中的实体特征和拓扑结构信息，使用训练好的多层次图神经网络模型对待识别电力系统知识图谱数据集进行关系识别，通过节点表示学习实体之间的关系，预测实体之间的关系类型；步骤S5：对于新加入的实体，采用动态图神经网络进行动态关系识别。本发明能够更深入地学习节点间的隐藏层次关系，有助于捕捉更加复杂的关系模式，提高识别的精度和可靠性。

主权项：1.一种基于深度学习的关系自动识别方法，其特征在于，包括以下步骤：步骤S1:收集电力系统知识图谱数据，包括实体和它们之间的关系，将知识图谱数据转换为为图数据格式，其中实体被表示为图中的节点，实体间的关系表示为边，然后使用节点特征矩阵和邻接矩阵表示,其中节点特征矩阵编码了每个节点的属性，邻接矩阵描述了节点间的连接情况，得到待识别电力系统知识图谱数据集；步骤S2:结合GAT和GCN，构建多层次的图神经网络模型，所述多层次的图神经网络模型包括若干层，其中每一层既包含GAT的注意力机制，又包含GCN的卷积操作，具体如下：对于节点i，GAT的输出是： 其中，是通过注意力机制计算的权重，Wl是该层的权重矩阵，σ是非线性激活函数，是节点j在上一层的表示，Ni是节点i的邻居节点集合；对于节点i，GCN的输出是： 其中，dehi和dehj分别是节点i和j的度数；将GAT层和GCN层的输出融合，作为最终输出： 步骤S3:基于历史电力系统知识图谱数据训练多层次的图神经网络模型，通过最小化预测的关系类型和真实关系类型之间的差异来调整模型参数，得到关系自动识别模型；步骤S4:结合知识图谱中的实体特征和拓扑结构信息，使用训练好的多层次图神经网络模型对待识别电力系统知识图谱数据集进行关系识别，通过节点表示学习实体之间的关系，预测实体之间的关系类型；步骤S5：对于新加入的实体，采用动态图神经网络进行动态关系识别。

全文数据：

权利要求：

百度查询： 国网信通亿力科技有限责任公司 一种基于深度学习的关系自动识别方法及系统