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：海南大学

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；所述TimeConvTransE和TimeConvTransR均包含一个一维卷积层和一个全连通层；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，具体地，所述时间特征模块的处理过程，具体包括如下步骤：遍历数据集，将所述数据集中所有的非重复的时间戳放到一个嵌入矩阵中，基于所述嵌入矩阵通过不同的可学习参数获得两个不同的初始时间嵌入矩阵；两个不同的初始时间嵌入矩阵经过Transformer编码器处理后使用GRU组件进一步提取长距离依赖关系，获得两个不同的时间嵌入矩阵；所述复杂进化模块的处理过程，具体包括如下步骤：获取时序知识图中时间戳t-1处的关系嵌入矩阵R't-1，将关系嵌入矩阵R't-1与两个不同的时间嵌入矩阵连接起来，并使用多层感知机制学习关系的低维度表示，具体公式如下： 其中，[；]表示向量连接操作，为了得到泛化能力更强的关系表示，将随机化的关系嵌入矩阵R与关系嵌入矩阵连接起来并采用注意力网络对关系路径中的不同部分进行加权，捕获路径中的关键信息，具体如下： 其中，g.表示取矩阵的上三角部分，获取时序知识图中时间戳t-1处的实体嵌入矩阵H't-1，将实体嵌入矩阵与两个不同的时间嵌入矩阵连接起来，然后使用多层感知机制学习实体的低维度表示： 为了更好地捕捉实体和关系之间的结构依赖，使用GRU组件，具体公式如下： 将Rt和作为入参放入到GCN中，进而通过事实捕获实体间的关联，通过共享实体捕获关系间的关联，具体公式如下： 其中，l表示时间戳t处知识图谱KG的层数索引，l∈[0,w-1]，w表示当前KG的总层数，和表示第lth层中的聚合特征和自循环参数，第lth层处通过实体、关系和时间的平移聚合及自循环细粒度地捕捉并发事实之间的结构依赖关系，co是尾实体o的度数；s为头实体，r为关系；f.是LeakyReLU激活函，εt表示时序知识图谱中在t时刻的事实集；采用注意力网络对实体中的不同部分进行加权： 在捕获实体潜在关键信息后加入知识图谱的静态属性，利用GRU对实体矩阵进行更新：Ht＝GRUHt-1,Hs19。

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