CN111159425A - 一种基于历史关系和双图卷积网络的时态知识图谱表示方法 - Google Patents
一种基于历史关系和双图卷积网络的时态知识图谱表示方法 Download PDFInfo
- Publication number
- CN111159425A CN111159425A CN201911392419.5A CN201911392419A CN111159425A CN 111159425 A CN111159425 A CN 111159425A CN 201911392419 A CN201911392419 A CN 201911392419A CN 111159425 A CN111159425 A CN 111159425A
- Authority
- CN
- China
- Prior art keywords
- graph
- historical
- relationship
- representation
- edge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于历史关系和双图卷积网络的时态知识图谱表示方法,包括:1)对时态知识图谱中的数据进行预处理,提取事件和历史关系;2)构建原图和边图分别表示实体之间和历史关系之间的交互;3)利用参数确定的基于时间自注意力机制的历史关系编码器对原图构建多范围时间依赖关系,获得历史关系表示;4)利用参数确定的双图卷积网络根据历史关系表示、原图和边图获得实体表示;5)利用参数确定的语义匹配模型根据实体表示和历史关系预测实体间未来一段时间发生的关系,根据该未来一段时间可能发生的关系可以构建新时态知识图谱。该时态知识图谱表示方法提升了模型性能,在国际关系预测、社会网络分析等领域具有广阔的应用前景。
Description
技术领域
本发明涉及时态知识图谱表示领域,具体涉及一种基于历史关系和双图卷积网络的时态知识图谱表示方法。
背景技术
时态知识图谱包含大量具有时间标记的知识,可以被看作一个多关系图,被广泛应用于国际关系预测、社交网络分析等领域。全球事件知识图谱(Global Database ofEvents,Language,and Tone,GDELT)和冲突事件知识图谱(Integrated Crisis EarlyWarning System,ICEWS)是典型的基于事件的时态知识图谱,以事件四元组(头实体、关系、尾实体、时间戳)的形式表示随着时间变化的知识。时态知识图谱表示学习通过引入时间信息,将知识图谱中的实体和关系映射成低维、连续的向量表示,对于时态知识图谱补全有着重要意义。
传统的时态知识图谱表示学***面、向量表示或固定格式的编码。这些方法只是将对应的时间戳嵌入到低维向量空间,忽略了时间依赖。为了解决这一问题,研究人员提出基于序列学习模型的时态知识图谱表示学习方法来建模时间依赖。
基于序列学习模型的时态知识图谱表示学习方法利用序列学习模型建模时间依赖,具体可以分为两小类。第一类是利用循环神经网络(Recurrent Neural Network,RNN)建模给定实体对的关系序列,可以得到到实体的表示。然而,这类方法忽略了不同实体之间同时发生的交互。第二类是利用门控循环单元(Gated Recurrent Unit,GRU)建模给定头实体和关系的尾实体序列,并设计了三种不同的聚合方式得到实体基于邻居的表示。然而,这类方法不能考虑不同关系的影响。另外,现有时态知识图谱表示学习方法忽略了关系之间的交互,尤其是历史关系(即实体对之间带有时间戳的关系序列)之间的交互。
发明内容
本发明要解决的技术问题是如何同时考虑实体之间和历史关系之间的交互获得时态知识图谱表示。
为解决上述问题,本发明提供了一种基于历史关系和双图卷积网络的时态知识图谱表示方法,包括以下步骤:
1)对时态知识图谱中的数据进行预处理,提取事件和历史关系;
2)构建原图和边图分别表示实体之间和历史关系之间的交互,其中,将实体作为节点,将实体之间的历史关系作为边,构造原图;将原图的边看作节点,将历史关系之间的相互影响作为边,构造边图;
3)利用参数确定的基于时间自注意力机制的历史关系编码器对原图构建多范围时间依赖关系,获得历史关系表示;
4)利用参数确定的双图卷积网络根据历史关系表示、原图和边图获得实体表示;
5)利用参数确定的语义匹配模型根据实体表示和历史关系预测实体间未来一段时间发生的关系,根据该未来一段时间可能发生的关系可以构建新时态知识图谱。
本发明通过构造原图和边图,并引入双图卷积网络进行表示学习,可以同时捕捉实体之间和历史关系的交互,提升模型的性能。与现有方法相比,其优点在于:
1)引入基于时间自注意力机制的历史关系编码器以建模多范围时间依赖关系。
2)根据历史关系构造原图,根据边之间的相互影响构造边图,引入双图卷积网络以建模实体之间和历史关系之间的交互。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动前提下,还可以根据这些附图获得其他附图。
图1为实施例提供的基于历史关系和双图卷积网络的时态知识图谱表示方法的流程图;
图2为实施例提供的基于时间自注意力机制的历史关系编码器结构示意图;
图3为实施例提供的双图卷积网络的框架图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
图1为实施例提供的基于历史关系和双图卷积网络的时态知识图谱表示方法的流程图。参见图1,该时态知识图谱表示方法包括数据预处理、原图和边图构建、时态知识图谱表示学习以及应用阶段,应用阶段与数据预处理、原图和边图构建、时态知识图谱表示学习类似,因此图1中未显示,下面针对每个阶段进行详细说明。
数据预处理阶段
数据预处理的具体流程如下:
步骤1-1,输入时态知识图谱TKB,提取事件,得到事件集合。
时态知识图谱TKB中包含大量具有时间标注的知识,对时态知识图谱TKB进行事件提取组成事件集合。事件以四元组(s,r,o,t)的形式表示,其中,s表示头实体,r表示关系,o表示尾实体,t表示时间戳。代表实体集合,且 代表关系集合,且T代表时间戳集合,且t∈T。
步骤1-2,通过头尾实体组成的实体对遍历事件集合提取历史关系,得到完整训练数据集。
历史关系是实体对之间带有时间戳的关系序列。在此步骤中,通过实体对(s,o)遍历事件集合,提取历史关系h,其形式化表示为h={(r1,t1),…(ri,ti),(rj,tj)},其中,ti<tj,表示关系ri比关系rj先发生。
原图和边图构建阶段
原图和边图构建的具体流程如下:
步骤2-1,将实体看作节点,将历史关系作为边,根据历史关系构造原图G=(V,E,A)。
其中,V表示节点集合(即实体集合),E表示边集合(即历史关系集合),A表示原图的邻接矩阵。如果两个实体之间存在历史关系,则认为它们之间存在一条边,原图的邻接矩阵A计算公式如下:
其中,Ai,j表示了实体之间的连通性。
步骤2-2,将原图中的边看作节点,将根据原图的边之间是否连通来定义边,构造边图Gedge=(Vedge,Eedge,Aedge)。Vedge表示节点集合(即历史关系集合),Eedge表示边集合,边图的边根据原图的边之间是否连通来定义(即根据历史关系之间是否连通来定义),Aedge表示边图的邻接矩阵。
在此步骤中,边图是原图通过转换得到的,边图的节点为原图的边,边图中边根据原图的边之间是否连通来定义,定义规则为:如果原图中的两条边共享一个顶点,即表示原图中的两个边之间连通,那么边图中的两个节点之间存在一条边。边图的邻接矩阵Aedge计算公式如下:
其中,Aedge i→j,u→v≠0表示历史关系i→j和u→v之间连通,权重wi→j,u→v表示历史关系(即原图中的两条边)之间的影响程度,影响程度由共享顶点在原图中的度决定,共享顶点的度数越大,边i→j对边u→v的影响就越小,反之,越大。权重wi→j,u→v的计算公式如下:
其中,α为超参数,且0<α<0.5。
时态知识图谱表示学习阶段
时态知识图谱表示学习阶段的具体流程如下:
步骤3-1,对训练数据集按照固定的大小采样Z次,每次采样一个子图,包含P个表示实体的节点、和节点之间表示历史关系的所有边,对于每个子图,执行步骤3-2~步骤3-5。
步骤3-2,对于子图中的历史关系h,利用基于时间自注意力机制的历史关系编码器建模多范围时间依赖关系,得到历史关系的表示h。
自注意力机制可以建模序列中各部分的上下文关系,为不同部分分配权重。如图2所示,基于时间自注意力机制的历史关系编码器以自注意力机制为组件,由基于时间的块内自注意力机制和基于时间的块间自注意力机制组成,可以同时建模局部时间依赖关系和全局时间依赖关系。
在此步骤中,将历史关系h={(r1,t1),…(ri,ti),(rj,tj)}拆分成M块,其形式化定义为h=[z1,z2,…,zM]。每块包含N个关系,例如,第一块形式化定义为z1={(r1,t1),…(rN-1,tN-1),(rN,tN)}。基于时间的块内自注意力机制为块内每个关系分配权重以第一块为例,计算公式如下:
其中,Wintra、为可学习的参数,σ(·)为激活函数,bintra为偏置量,pi为第一块中每个关系和关系ri之间的相对时间,pi={(t1-ti),…(tN-1-ti),(tN-ti)},ri是关系ri的表示,通过随机初始化得到,将块内每个关系加权求和,可以得到每个块的表示zk,以第一块为例,计算公式如下:
其中,Winter、为可学习的参数,σ(·)为激活函数,binter为偏置量,qk为每个块中第一个关系和块zk中第一个关系的相对时间, 为块zk中第一个关系的时间,为块zM中第一个关系的时间,将每个块的表示加权求和可以得到每个历史关系的表示h:
步骤3-3,将所有历史关系表示h的集合、原图和边图的邻接矩阵A和Aedge一起输入双图卷积网络,通过建模实体之间和历史关系之间的交互,得到每个节点的表示(即实体的表示)。
图卷积网络(GCN)是一种在图上进行卷积操作的深度神经网络,可以建模节点间的消息传递,被广泛用于交通预测、图像分类等领域。使用的图卷积网络计算公式如下:
其中,gc(·)表示图卷积操作,X为输入的节点表示,为归一化图拉普拉斯矩阵,I为单位矩阵,D为节点的对角化度矩阵,即Dii=∑jAij。表示激活函数,这里采用ReLU作为激活函数,θ为图卷积网络的参数。一层图卷积网络可以为每个节点聚合1跳邻居的消息,通过堆叠多层图卷积网络可以扩大消息传递的邻居范围。如图3所示,双图卷积网络以图卷积网络为组件,包含了k层原图卷积网络和k-1层边图卷积网络,可以同时建模实体之间和历史关系之间的交互。
在此步骤中,首先构建节点-边指示矩阵Mne来表示原图和边图融合时原图节点和边的对应关系。节点-边指示矩阵Mne计算公式如下:
然后将历史关系表示h的集合、原图的邻接矩阵A、边图的邻接矩阵Aedge、节点-边指示矩阵Mne输入到双图卷积网络中,得到节点的表示(即实体的表示)。
在原图卷积网络中,k层的输入是k-1层的原图卷积网络的输出X(k-1)和k-1层的边图卷积网络的输出Y(k-1),第一层除外。计算公式如下:
其中,X(0)为原图节点的初始表示,通过随机初始化得到,为原图的拉普拉斯矩阵。θnode (k-1)为第k-1层原图卷积的参数,θen (k-1)为第k-1层边图-原图融合卷积的参数,[·,·]表示拼接操作,表示对拼接结果进行激活;
在边图卷积网络中,k-1层的输入是k-2层的边图卷积网络的输出Y(k-2)和k-1层的原图卷积网络的输出X(k-1),第一层除外。计算公式如下:
其中,Y(0)为边图节点的初始表示,为边图的归一化拉普拉斯矩阵,Y(0)由历史关系表示h经过线性转换得到,θedge (k-2)为第k-2层边图卷积的参数,θen (k-1)为第k-1层原图-边图融合卷积的参数。
步骤3-4,根据步骤3-3输出的实体表示,利用基于语义匹配模型预测实体对在未来一段时间内可能存在的关系。
语义匹配模型采用DistMult模型,DistMult模型是一个知识图谱表示学习模型,通过双线性函数衡量实体对和每个关系的匹配程度。即利用DistMult模型获得匹配得分,DistMult模型得分函数定义如下:
f(s,r,o)=(sTMro) (16)
其中,s和o代表头实体和尾实体的表示,由双图卷积网络输出得到;Mr为每个关系对应的对角矩阵,Mr=diag(mr),diag()将向量mr转换为对角矩阵Mr,其中,mr=Mhr,hr为实体对(s,o)的历史关系表示,M为可学习的权重矩阵。利用DistMult模型进行语义匹配,可以预测出实体对之间在未来一段时间可能发生的关系r,且
步骤3-5,对于该子图中所有训练样本,用随机替换头尾实体的方法生成负样本,并计算该子图中所有样本的预测损失,然后根据损失函数,对基于时间自注意力机制的历史关系编码器、双图卷积网络以及语义匹配模型的网络参数进行调整。
在此步骤中,根据预测结果,计算子图中所有样本的交叉熵损失,计算公式如下:
其中,D为正负样本的集合,对于正样本(s,r,o),负样本通过随机替换s和o得到。Sig(·)为sigmoid函数,y取值为{0,1},正样本的y取值为1,负样本为0。
应用阶段
在确定基于时间自注意力机制的历史关系编码器、双图卷积网络以及语义匹配模型的网络参数后,即构建好包含网络参数确定的基于时间自注意力机制的历史关系编码器、双图卷积网络以及语义匹配模型的模型后,即可进行实体之间未来关系的预测,具体过程为:
(a)对时态知识图谱中的数据进行预处理,提取事件和历史关系;
(b)按照步骤2-1和2-2构建原图和边图;
(c)利用参数确定的基于时间自注意力机制的历史关系编码器对原图构建多范围时间依赖关系,获得历史关系表示;
(d)利用参数确定的双图卷积网络根据历史关系表示、原图和边图获得实体表示;
(e)利用参数确定的语义匹配模型根据实体表示和历史关系预测实体间未来一段时间发生的关系,根据该未来一段时间可能发生的关系可以构建新时态知识图谱。
具体地,利用参数确定的语义匹配模型根据实体表示和历史关系表示计算匹配得分,根据匹配得分预测未来一段时间可能发生的关系,即可以选取匹配得分较大的一部分对应的关系为未来一段时间可能发生的关系;根据该未来一段时间可能发生的关系可以构建新时态知识图谱。
上述时态知识图谱表示方法通过构造原图和边图,并引入双图卷积网络进行表示学习,可以利用实体之间和历史关系之间的相关性,提升了模型性能,即提升了未来一段时间可能发生的关系的预测准确性,在国际关系预测、社会网络分析等领域具有广阔的应用前景。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于历史关系和双图卷积网络的时态知识图谱表示方法,包括以下步骤:
1)对时态知识图谱中的数据进行预处理,提取事件和历史关系;
2)构建原图和边图分别表示实体之间和历史关系之间的交互,其中,将实体作为节点,将实体之间的历史关系作为边,构造原图;将原图的边看作节点,将历史关系之间的相互影响作为边,构造边图;
3)利用参数确定的基于时间自注意力机制的历史关系编码器对原图构建多范围时间依赖关系,获得历史关系表示;
4)利用参数确定的双图卷积网络根据历史关系表示、原图和边图获得实体表示;
5)利用参数确定的语义匹配模型根据实体表示和历史关系预测实体间未来一段时间发生的关系,根据该未来一段时间可能发生的关系可以构建新时态知识图谱。
2.如权利要求1所述的基于历史关系和双图卷积网络的时态知识图谱表示方法,其特征在于,步骤3)中,基于时间自注意力机制的历史关系编码器以自注意力机制为组件,由基于时间的块内自注意力机制和基于时间的块间自注意力机制组成,可以同时建模局部时间依赖关系和全局时间依赖关系;
将历史关系h={(r1,t1),…(ri,ti),(rj,tj)}拆分成M块,其形式化定义为h=[z1,z2,…,zM]。每块包含N个关系,例如,第一块形式化定义为z1={(r1,t1),…(rN-1,tN-1),(rN,tN)}。基于时间的块内自注意力机制为块内每个关系分配权重以第一块为例,计算公式如下:
其中,Wintra、为可学习的参数,σ(·)为激活函数,bintra为偏置量,pi为第一块中每个关系和关系ri之间的相对时间,pi={(t1-ti),…(tN-1-ti),(tN-ti)},ri是关系ri的表示,通过随机初始化得到,将块内每个关系加权求和,可以得到每个块的表示zk,以第一块为例,计算公式如下:
其中,Winter、为可学习的参数,σ(·)为激活函数,binter为偏置量,qk为每个块中第一个关系和块zk中第一个关系的相对时间, 为块zk中第一个关系的时间,为块zM中第一个关系的时间,将每个块的表示加权求和可以得到每个历史关系的表示h:
3.如权利要求1所述的基于历史关系和双图卷积网络的时态知识图谱表示方法,其特征在于,步骤4)中,首先构建节点-边指示矩阵Mne来表示原图和边图融合时原图节点和边的对应关系,节点-边指示矩阵Mne计算公式如下:
然后将历史关系表示h的集合、原图的邻接矩阵A、边图的邻接矩阵Aedge、节点-边指示矩阵Mne输入到双图卷积网络中,得到节点的表示;
在原图卷积网络中,k层的输入是k-1层的原图卷积网络的输出X(k-1)和k-1层的边图卷积网络的输出Y(k-1),第一层除外;计算公式如下:
其中,X(0)为原图节点的初始表示,通过随机初始化得到,为原图的拉普拉斯矩阵,θnode (k-1)为第k-1层原图卷积的参数,θen (k-1)为第k-1层边图-原图融合卷积的参数,[·,·]表示拼接操作,表示对拼接结果进行激活;
在边图卷积网络中,k-1层的输入是k-2层的边图卷积网络的输出Y(k-2)和k-1层的原图卷积网络的输出X(k-1),第一层除外,计算公式如下:
4.如权利要求1所述的基于历史关系和双图卷积网络的时态知识图谱表示方法,其特征在于,步骤5)中,利用参数确定的语义匹配模型根据实体表示和历史关系表示计算匹配得分,根据匹配得分预测未来一段时间可能发生的关系。
5.如权利要求4所述的基于历史关系和双图卷积网络的时态知识图谱表示方法,其特征在于,语义匹配模型采用DistMult模型,利用利用DistMult模型获得匹配得分,DistMult模型得分函数定义如下:
f(s,r,o)=(sTMro)
其中,s和o代表头实体和尾实体的表示,由双图卷积网络输出得到;Mr为每个关系对应的对角矩阵,Mr=diag(mr),diag()将向量mr转换为对角矩阵Mr,其中,mr=Mhr,hr为实体对(s,o)的历史关系表示,M为权重矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911392419.5A CN111159425B (zh) | 2019-12-30 | 2019-12-30 | 基于历史关系和双图卷积网络的时态知识图谱表示方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911392419.5A CN111159425B (zh) | 2019-12-30 | 2019-12-30 | 基于历史关系和双图卷积网络的时态知识图谱表示方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111159425A true CN111159425A (zh) | 2020-05-15 |
CN111159425B CN111159425B (zh) | 2023-02-10 |
Family
ID=70558928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911392419.5A Active CN111159425B (zh) | 2019-12-30 | 2019-12-30 | 基于历史关系和双图卷积网络的时态知识图谱表示方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111159425B (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753054A (zh) * | 2020-06-22 | 2020-10-09 | 神思电子技术股份有限公司 | 一种基于图神经网络的机器阅读推断方法 |
CN111812450A (zh) * | 2020-06-01 | 2020-10-23 | 复旦大学 | 一种电网危险故障的识别方法 |
CN111949892A (zh) * | 2020-08-10 | 2020-11-17 | 浙江大学 | 一种多关系感知的时态交互网络预测方法 |
CN112085293A (zh) * | 2020-09-18 | 2020-12-15 | 支付宝(杭州)信息技术有限公司 | 训练交互预测模型、预测交互对象的方法及装置 |
CN112364108A (zh) * | 2020-11-13 | 2021-02-12 | 四川省人工智能研究院(宜宾) | 一种基于时空架构的时序知识图谱补全方法 |
CN112529071A (zh) * | 2020-12-08 | 2021-03-19 | 广州大学华软软件学院 | 一种文本分类方法、***、计算机设备和存储介质 |
CN112527915A (zh) * | 2020-11-17 | 2021-03-19 | 北京科技大学 | 线性文化遗产知识图谱构建方法、***、计算设备和介质 |
CN112668700A (zh) * | 2020-12-30 | 2021-04-16 | 广州大学华软软件学院 | 一种基于分组注意的宽度图卷积网络模型及其训练方法 |
CN112711664A (zh) * | 2020-12-31 | 2021-04-27 | 山西三友和智慧信息技术股份有限公司 | 一种基于tcn+lstm的文本情感分类方法 |
CN112905738A (zh) * | 2021-02-05 | 2021-06-04 | 中山大学 | 一种基于时态知识图谱推理的社交关系演变预测方法 |
CN112925953A (zh) * | 2021-03-09 | 2021-06-08 | 南京航空航天大学 | 一种动态网络表示方法及*** |
CN112989060A (zh) * | 2020-11-24 | 2021-06-18 | 杭州电子科技大学 | 一种基于gcn的重大事件趋势预测方法 |
CN113033209A (zh) * | 2021-05-25 | 2021-06-25 | 腾讯科技(深圳)有限公司 | 文本关系抽取方法、装置、存储介质及计算机设备 |
CN113051408A (zh) * | 2021-03-30 | 2021-06-29 | 电子科技大学 | 一种基于信息增强的稀疏知识图谱推理方法 |
CN113204647A (zh) * | 2021-04-29 | 2021-08-03 | 哈尔滨工程大学 | 一种基于联合权重的编码解码框架知识图谱嵌入方法 |
CN113377968A (zh) * | 2021-08-16 | 2021-09-10 | 南昌航空大学 | 一种采用融合实体上下文的知识图谱链路预测方法 |
CN113392229A (zh) * | 2021-08-13 | 2021-09-14 | 四川新龟科技有限公司 | 供应链关系构建和预测方法、装置、设备、存储介质 |
CN113627676A (zh) * | 2021-08-18 | 2021-11-09 | 湘潭大学 | 一种基于多注意力因果关系的交通预测方法及*** |
CN113641829A (zh) * | 2021-07-13 | 2021-11-12 | 北京百度网讯科技有限公司 | 图神经网络的训练与知识图谱的补全方法、装置 |
CN113688253A (zh) * | 2021-08-12 | 2021-11-23 | 浙江大学 | 一种层次感知的时态知识图谱表示学习方法 |
CN113722510A (zh) * | 2021-09-13 | 2021-11-30 | 中国人民解放军国防科技大学 | 一种基于图神经网络的知识图谱复杂问题生成方法及*** |
CN113742491A (zh) * | 2021-08-12 | 2021-12-03 | 上海熙业信息科技有限公司 | 基于表示学习的时间知识图谱推理方法 |
CN113761337A (zh) * | 2020-12-31 | 2021-12-07 | 国家计算机网络与信息安全管理中心 | 基于事件隐式要素与显式联系的事件预测方法和装置 |
CN113849163A (zh) * | 2021-10-09 | 2021-12-28 | 中国科学院软件研究所 | 基于api文档图谱的操作***智能编程方法及装置 |
CN114186069A (zh) * | 2021-11-29 | 2022-03-15 | 江苏大学 | 基于多模态异构图注意力网络的深度视频理解知识图谱构建方法 |
CN114745183A (zh) * | 2022-04-14 | 2022-07-12 | 浙江网商银行股份有限公司 | 告警方法以及装置 |
WO2023039901A1 (zh) * | 2021-09-18 | 2023-03-23 | 京东方科技集团股份有限公司 | 一种文本推荐方法、模型训练方法、装置及可读存储介质 |
CN116340524A (zh) * | 2022-11-11 | 2023-06-27 | 华东师范大学 | 一种基于关系自适应网络的小样本时态知识图谱补全方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06161854A (ja) * | 1992-07-16 | 1994-06-10 | Internatl Business Mach Corp <Ibm> | バージョン済みデータベース管理システムにおける関係のソースおよびターゲットの解決 |
US20140149418A1 (en) * | 2012-11-28 | 2014-05-29 | Share This Inc. | Method and system for measuring social influence and receptivity of users |
CN109213872A (zh) * | 2018-09-11 | 2019-01-15 | 中国电子科技集团公司第二十八研究所 | 基于知识表示学习的实体关系预测方法及预测*** |
CN109902183A (zh) * | 2019-02-13 | 2019-06-18 | 北京航空航天大学 | 一种基于多样图注意力机制的知识图谱嵌入方法 |
-
2019
- 2019-12-30 CN CN201911392419.5A patent/CN111159425B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06161854A (ja) * | 1992-07-16 | 1994-06-10 | Internatl Business Mach Corp <Ibm> | バージョン済みデータベース管理システムにおける関係のソースおよびターゲットの解決 |
US20140149418A1 (en) * | 2012-11-28 | 2014-05-29 | Share This Inc. | Method and system for measuring social influence and receptivity of users |
CN109213872A (zh) * | 2018-09-11 | 2019-01-15 | 中国电子科技集团公司第二十八研究所 | 基于知识表示学习的实体关系预测方法及预测*** |
CN109902183A (zh) * | 2019-02-13 | 2019-06-18 | 北京航空航天大学 | 一种基于多样图注意力机制的知识图谱嵌入方法 |
Non-Patent Citations (1)
Title |
---|
MARTIN ATZMUELLER: "Onto Model-based Anomalous Link Pattern Mining", 《ACM ISBN 978-1-4503-6675-5/19/05》 * |
Cited By (49)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111812450A (zh) * | 2020-06-01 | 2020-10-23 | 复旦大学 | 一种电网危险故障的识别方法 |
CN111812450B (zh) * | 2020-06-01 | 2022-03-18 | 复旦大学 | 一种电网危险故障的识别方法 |
CN111753054A (zh) * | 2020-06-22 | 2020-10-09 | 神思电子技术股份有限公司 | 一种基于图神经网络的机器阅读推断方法 |
CN111753054B (zh) * | 2020-06-22 | 2023-02-03 | 神思电子技术股份有限公司 | 一种基于图神经网络的机器阅读推断方法 |
CN111949892A (zh) * | 2020-08-10 | 2020-11-17 | 浙江大学 | 一种多关系感知的时态交互网络预测方法 |
CN111949892B (zh) * | 2020-08-10 | 2022-04-05 | 浙江大学 | 一种多关系感知的时态交互网络预测方法 |
CN112085293A (zh) * | 2020-09-18 | 2020-12-15 | 支付宝(杭州)信息技术有限公司 | 训练交互预测模型、预测交互对象的方法及装置 |
CN112085293B (zh) * | 2020-09-18 | 2022-09-09 | 支付宝(杭州)信息技术有限公司 | 训练交互预测模型、预测交互对象的方法及装置 |
CN112364108A (zh) * | 2020-11-13 | 2021-02-12 | 四川省人工智能研究院(宜宾) | 一种基于时空架构的时序知识图谱补全方法 |
CN112527915A (zh) * | 2020-11-17 | 2021-03-19 | 北京科技大学 | 线性文化遗产知识图谱构建方法、***、计算设备和介质 |
CN112989060B (zh) * | 2020-11-24 | 2022-04-15 | 杭州电子科技大学 | 一种基于gcn的重大事件趋势预测方法 |
CN112989060A (zh) * | 2020-11-24 | 2021-06-18 | 杭州电子科技大学 | 一种基于gcn的重大事件趋势预测方法 |
CN112529071B (zh) * | 2020-12-08 | 2023-10-17 | 广州大学华软软件学院 | 一种文本分类方法、***、计算机设备和存储介质 |
CN112529071A (zh) * | 2020-12-08 | 2021-03-19 | 广州大学华软软件学院 | 一种文本分类方法、***、计算机设备和存储介质 |
CN112668700B (zh) * | 2020-12-30 | 2023-11-28 | 广州大学华软软件学院 | 一种基于分组注意的宽度图卷积网络模型***及训练方法 |
CN112668700A (zh) * | 2020-12-30 | 2021-04-16 | 广州大学华软软件学院 | 一种基于分组注意的宽度图卷积网络模型及其训练方法 |
CN113761337B (zh) * | 2020-12-31 | 2023-10-27 | 国家计算机网络与信息安全管理中心 | 基于事件隐式要素与显式联系的事件预测方法和装置 |
CN113761337A (zh) * | 2020-12-31 | 2021-12-07 | 国家计算机网络与信息安全管理中心 | 基于事件隐式要素与显式联系的事件预测方法和装置 |
CN112711664B (zh) * | 2020-12-31 | 2022-09-20 | 山西三友和智慧信息技术股份有限公司 | 一种基于tcn+lstm的文本情感分类方法 |
CN112711664A (zh) * | 2020-12-31 | 2021-04-27 | 山西三友和智慧信息技术股份有限公司 | 一种基于tcn+lstm的文本情感分类方法 |
CN112905738A (zh) * | 2021-02-05 | 2021-06-04 | 中山大学 | 一种基于时态知识图谱推理的社交关系演变预测方法 |
CN112905738B (zh) * | 2021-02-05 | 2022-04-22 | 中山大学 | 一种基于时态知识图谱推理的社交关系演变预测方法 |
CN112925953A (zh) * | 2021-03-09 | 2021-06-08 | 南京航空航天大学 | 一种动态网络表示方法及*** |
CN112925953B (zh) * | 2021-03-09 | 2024-02-20 | 南京航空航天大学 | 一种动态网络表示方法及*** |
CN113051408A (zh) * | 2021-03-30 | 2021-06-29 | 电子科技大学 | 一种基于信息增强的稀疏知识图谱推理方法 |
CN113051408B (zh) * | 2021-03-30 | 2023-02-14 | 电子科技大学 | 一种基于信息增强的稀疏知识图谱推理方法 |
CN113204647B (zh) * | 2021-04-29 | 2023-01-03 | 哈尔滨工程大学 | 一种基于联合权重的编码解码框架知识图谱嵌入方法 |
CN113204647A (zh) * | 2021-04-29 | 2021-08-03 | 哈尔滨工程大学 | 一种基于联合权重的编码解码框架知识图谱嵌入方法 |
CN113033209A (zh) * | 2021-05-25 | 2021-06-25 | 腾讯科技(深圳)有限公司 | 文本关系抽取方法、装置、存储介质及计算机设备 |
CN113641829B (zh) * | 2021-07-13 | 2023-11-24 | 北京百度网讯科技有限公司 | 图神经网络的训练与知识图谱的补全方法、装置 |
CN113641829A (zh) * | 2021-07-13 | 2021-11-12 | 北京百度网讯科技有限公司 | 图神经网络的训练与知识图谱的补全方法、装置 |
CN113688253A (zh) * | 2021-08-12 | 2021-11-23 | 浙江大学 | 一种层次感知的时态知识图谱表示学习方法 |
CN113688253B (zh) * | 2021-08-12 | 2024-05-07 | 浙江大学 | 一种层次感知的时态知识图谱表示学习方法 |
CN113742491A (zh) * | 2021-08-12 | 2021-12-03 | 上海熙业信息科技有限公司 | 基于表示学习的时间知识图谱推理方法 |
CN113392229A (zh) * | 2021-08-13 | 2021-09-14 | 四川新龟科技有限公司 | 供应链关系构建和预测方法、装置、设备、存储介质 |
CN113377968A (zh) * | 2021-08-16 | 2021-09-10 | 南昌航空大学 | 一种采用融合实体上下文的知识图谱链路预测方法 |
CN113627676A (zh) * | 2021-08-18 | 2021-11-09 | 湘潭大学 | 一种基于多注意力因果关系的交通预测方法及*** |
CN113627676B (zh) * | 2021-08-18 | 2023-09-01 | 湘潭大学 | 一种基于多注意力因果关系的交通预测方法及*** |
CN113722510A (zh) * | 2021-09-13 | 2021-11-30 | 中国人民解放军国防科技大学 | 一种基于图神经网络的知识图谱复杂问题生成方法及*** |
CN113722510B (zh) * | 2021-09-13 | 2024-04-05 | 中国人民解放军国防科技大学 | 一种基于图神经网络的知识图谱复杂问题生成方法及*** |
WO2023039901A1 (zh) * | 2021-09-18 | 2023-03-23 | 京东方科技集团股份有限公司 | 一种文本推荐方法、模型训练方法、装置及可读存储介质 |
CN113849163B (zh) * | 2021-10-09 | 2022-10-14 | 中国科学院软件研究所 | 基于api文档图谱的操作***智能编程方法及装置 |
CN113849163A (zh) * | 2021-10-09 | 2021-12-28 | 中国科学院软件研究所 | 基于api文档图谱的操作***智能编程方法及装置 |
CN114186069B (zh) * | 2021-11-29 | 2023-09-29 | 江苏大学 | 基于多模态异构图注意力网络的深度视频理解知识图谱构建方法 |
CN114186069A (zh) * | 2021-11-29 | 2022-03-15 | 江苏大学 | 基于多模态异构图注意力网络的深度视频理解知识图谱构建方法 |
CN114745183B (zh) * | 2022-04-14 | 2023-10-27 | 浙江网商银行股份有限公司 | 告警方法以及装置 |
CN114745183A (zh) * | 2022-04-14 | 2022-07-12 | 浙江网商银行股份有限公司 | 告警方法以及装置 |
CN116340524A (zh) * | 2022-11-11 | 2023-06-27 | 华东师范大学 | 一种基于关系自适应网络的小样本时态知识图谱补全方法 |
CN116340524B (zh) * | 2022-11-11 | 2024-03-08 | 华东师范大学 | 一种基于关系自适应网络的小样本时态知识图谱补全方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111159425B (zh) | 2023-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111159425B (zh) | 基于历史关系和双图卷积网络的时态知识图谱表示方法 | |
CN110263280B (zh) | 一种基于多视图的动态链路预测深度模型及应用 | |
CN109887282A (zh) | 一种基于层级时序图卷积网络的路网交通流预测方法 | |
Nie et al. | Network traffic prediction based on deep belief network and spatiotemporal compressive sensing in wireless mesh backbone networks | |
CN114265986B (zh) | 一种融合知识图谱结构与路径语义的信息推送方法和*** | |
CN111126674A (zh) | 基于深度模型的传播预测方法及其*** | |
CN113688253B (zh) | 一种层次感知的时态知识图谱表示学习方法 | |
CN113780002A (zh) | 基于图表示学习和深度强化学习的知识推理方法及装置 | |
CN113868474A (zh) | 一种基于自注意力机制和动态图的信息级联预测方法 | |
CN113112791A (zh) | 一种基于滑动窗口长短时记忆网络的交通流量预测方法 | |
CN114039871B (zh) | 一种蜂窝流量预测的方法、***、装置及介质 | |
CN114723037A (zh) | 一种聚合高阶邻居节点的异构图神经网络计算方法 | |
CN115051929A (zh) | 基于自监督目标感知神经网络的网络故障预测方法及装置 | |
Ke et al. | AutoSTG+: An automatic framework to discover the optimal network for spatio-temporal graph prediction | |
CN114254738A (zh) | 双层演化的动态图卷积神经网络模型构建方法及应用 | |
CN117787411A (zh) | 一种基于关系图的局部-全局时序知识图谱推理方法 | |
CN113537613B (zh) | 一种模体感知的时态网络预测方法 | |
CN116578858A (zh) | 基于图神经网络的空压机故障预测与健康度评价方法及*** | |
CN116110232A (zh) | 一种基于分层动态残差图卷积网络的交通流量预测方法 | |
CN115545833A (zh) | 一种基于用户社交信息的推荐方法及*** | |
CN115526293A (zh) | 一种顾及语义和结构信息的知识图谱推理方法 | |
CN115860179A (zh) | 轨迹预测方法、装置、设备、存储介质及程序产品 | |
Cheng et al. | Network SpaceTime AI: Concepts, Methods and Applications. | |
CN113159409B (zh) | 一种基于组感知图神经网络的全国城市空气质量预测方法 | |
CN117133116B (zh) | 一种基于时空关联网络的交通流预测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |