CN112905738A - 一种基于时态知识图谱推理的社交关系演变预测方法 - Google Patents
一种基于时态知识图谱推理的社交关系演变预测方法 Download PDFInfo
- Publication number
- CN112905738A CN112905738A CN202110162361.6A CN202110162361A CN112905738A CN 112905738 A CN112905738 A CN 112905738A CN 202110162361 A CN202110162361 A CN 202110162361A CN 112905738 A CN112905738 A CN 112905738A
- Authority
- CN
- China
- Prior art keywords
- social relationship
- social
- text
- evolution
- steps
- 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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3346—Query execution using probabilistic model
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Machine Translation (AREA)
Abstract
本发明针对现有技术处理难以准确预测社交关系的技术问题,提出了一种基于时态知识图谱推理的社交关系演变预测方法,以预训练语言模型以及循环神经网络构建社交关系演变预测模型,在预测人物对间的社交关系时,不仅考虑了当前时间点下人物对的文本信息,同时考虑了当前时间点之前的时序信息;基于时间序列对人物对间的社交关系进行建模,刻画人物对间的社交关系随时间迁移的演变历程,能够较好地进行社交关系演变预测。
Description
技术领域
本发明涉及自然语言处理的技术领域,更具体地,涉及一种基于时态知识图谱推理的社交关系演变预测方法。
背景技术
社交关系是人们在社会生产和社会生活的直接交往中形成的人和人之间的关系,定义了人与人在物理或虚拟世界中的相互关系,例如夫妻、兄弟姐妹、儿女关系等等。社交关系预测,指的是给定人物对,预测输入文本、图像或者视频中人物对间的关系。随着互联网的飞速发展,社交网络成为我们大家生活中不可或缺的一部分。人们在社交平台上通过文字、图片或视频,记录自己的社交生活,包括大量与他人间的社交联系。从海量数据中抽取有价值的人物社交关系,有助于机器理解人物间的相互联系,为现实生活中知识发现、公安监察、广告投放等提供社会和商业价值。通过搜集特定领域内的大量文本数据信息,并对其进行挖掘、分析,预测人物对间的社交关系,在现实生活中具有重要意义。
如公开时间为2020-04-29,公开号为CN111538849A的中国申请专利:一种基于深度学习的人物关系图谱构建方法及***,所示,现有的社交关系预测算法将人物对间的社交关系视为静态关系,仅选取某一个时间节点下的数据作为输入,忽略了人物对在当前时间节点前的历史数据。因此,现有算法丢失了人物对间的历史信息,忽略了人物对间在不同时间节点的信息关联。
发明内容
针对现有技术的局限,本发明提出一种基于时态知识图谱推理的社交关系演变预测方法,本发明采用的技术方案是:
一种基于时态知识图谱推理的社交关系演变预测方法,包括以下步骤:
S1,获取文本语料及对应的时态知识图谱,构建数据集;所述时态知识图谱为包含时序信息的人物关系图谱,所述数据集包括标注有人物、时间及社交关系的文本数据;
S2,以预训练语言模型以及循环神经网络构建社交关系演变预测模型;
S3,运用所述社交关系演变预测模型抽取所述文本数据的文本特征以及所述时态知识图谱的时序信息;
S4,融合所述文本特征以及时序信息,运用社交关系演变预测模型对所述文本特征以及时序信息的融合结果进行分类得到社交关系的条件概率分布,选取其中置信度最高的社交关系作为预测的社交关系;
S5,从所述数据集中抽取文本数据,在预设的迭代次数下循环所述步骤S3及S4对所述社交关系演变预测模型进行训练;
S6,获取待处理的输入文本,运用经过步骤S5训练后的所述社交关系演变预测模型对所述输入文本进行社交关系演变预测。
相较于现有技术,本发明以预训练语言模型以及循环神经网络构建社交关系演变预测模型,在预测人物对间的社交关系时,不仅考虑了当前时间点下人物对的文本信息,同时考虑了当前时间点之前的时序信息;基于时间序列对人物对间的社交关系进行建模,刻画人物对间的社交关系随时间迁移的演变历程,能够较好地进行社交关系演变预测。
作为一种优选方案,所述步骤S1包括以下步骤:
S11,抽取文学作品的人物构成人物表,所述人物表中包括n个人物;根据所述人物表构建n(n-1)个由头实体h以及尾实体o构成的人物对;
S12,将所述文本语料划分为若干个包括连续三个句子的句子窗口s,对于包括所述人物对、且能够从所述人物对中推断出的句子窗口s,添加对应的数据(h,r,o,s)至所述数据集中,r为当前时间下人物对中头实体h以及尾实体o之间的社交关系;
S13,对于所述数据(h,r,o,s)的时间戳进行标记,所述时间戳为当前时间前该人物对(h,o)的出现次数;
S14,统计得到所述数据集的社交关系数量d。
作为一种优选方案,所述预训练语言模型为BERT预训练模型。
作为一种优选方案,所述循环神经网络为双层单向长短记忆网络。
进一步的,在所述时态知识图谱G={G1,...,T}中,时间点t的知识图谱Gt由前m步以及当前步的句子窗口s决定,即p(Gt|s,Gt-m:t-1);时间点t中人物对中头实体h以及尾实体o之间的社交关系为p(r|h,o,s,Gt-m:t-1)=p(r|h,o,Gt)*p(Gt|s,Gt-m:t-1)。
作为一种优选方案,所述步骤S3中包括以下步骤:
S31,运用所述社交关系演变预测模型中的预训练语言模型抽取所述文本数据的文本特征;
S32,拼接其中步骤S31得到的前m步的文本特征得到融合特征fw;
S33,将所述融合特征fw输入所述社交关系演变预测模型中的循环神经网络,由所述循环神经网络输出前m步的时序信息。
作为一种优选方案,所述步骤S4中包括以下步骤:
S41,拼接当前步的文本特征与前m步的时序信息并进行向量归一化,得到融合特征fr;
S42,将所述融合特征fr经过所述社交关系演变预测模型中的单层全连接层后得到d维隐含向量表示;
S43,所述d维隐含向量表示经过softmax激活函数,得到社交关系的概率分布,选取其中置信度最高的社交关系作为预测的社交关系。
附图说明
图1为本发明实施例提供的基于时态知识图谱推理的社交关系演变预测方法的步骤流程图;
图2为本发明实施例提供的步骤S1的流程图;
图3为本发明实施例提供的步骤S3的流程图;
图4为本发明实施例提供的步骤S4的流程图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
应当明确,所描述的实施例仅仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中,需要理解的是,术语“第一”、“第二”、“第三”等仅用于区别类似的对象,而不必用于描述特定的顺序或先后次序,也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
此外,在本申请的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。以下结合附图和实施例对本发明做进一步的阐述。
为了解决现有技术的局限性,本实施例提供了一种技术方案,下面结合附图和实施例对本发明的技术方案做进一步的说明。
请参考图1,一种基于时态知识图谱推理的社交关系演变预测方法,包括以下步骤:
S1,获取文本语料及对应的时态知识图谱,构建数据集;所述时态知识图谱为包含时序信息的人物关系图谱,所述数据集包括标注有人物、时间及社交关系的文本数据;
S2,以预训练语言模型以及循环神经网络构建社交关系演变预测模型;
S3,运用所述社交关系演变预测模型抽取所述文本数据的文本特征以及所述时态知识图谱的时序信息;
S4,融合所述文本特征以及时序信息,运用社交关系演变预测模型对所述文本特征以及时序信息的融合结果进行分类得到社交关系的条件概率分布,选取其中置信度最高的社交关系作为预测的社交关系;
S5,从所述数据集中抽取文本数据,在预设的迭代次数下循环所述步骤S3及S4对所述社交关系演变预测模型进行训练;
S6,获取待处理的输入文本,运用经过步骤S5训练后的所述社交关系演变预测模型对所述输入文本进行社交关系演变预测。
相较于现有技术,本发明以预训练语言模型以及循环神经网络构建社交关系演变预测模型,在预测人物对间的社交关系时,不仅考虑了当前时间点下人物对的文本信息,同时考虑了当前时间点之前的时序信息;基于时间序列对人物对间的社交关系进行建模,刻画人物对间的社交关系随时间迁移的演变历程,能够较好地进行社交关系演变预测。
具体的,所述文本语料可以基于现有的文学作品。
一般的,知识图谱可以定义为G={E,R},其中E和R分别表示实体和关系的集合,G中的每个元素即为三元组实例(h,r,o),h表示头实体,o表示尾实体,r表示头尾实体间的社交关系。时态知识图谱可以看作基于时间序列的知识图谱,在所述时态知识图谱G={G1,...,GT}中,时间点t的知识图谱Gt由前m步以及当前步的句子窗口s决定,即p(Gt|s,Gt-m:t-1);时间点t中人物对中头实体h以及尾实体o之间的社交关系为p(r|h,o,s,Gt-m:t-1)=p(r|h,o,Gt)*p(Gt|s,Gt-m:t-1)。
在步骤S5中,其训练过程在于使用交叉熵损失函数来构建模型的损失函数,根据步骤S4预测的社交关系计算损失函数,并通过反向梯度传播算法对模型参数进行学习。
作为一种优选实施例,请参阅图2,所述步骤S1包括以下步骤:
S11,抽取文学作品的人物构成人物表,所述人物表中包括n个人物;根据所述人物表构建n(n-1)个由头实体h以及尾实体o构成的人物对;
S12,将所述文本语料划分为若干个包括连续三个句子的句子窗口s,对于包括所述人物对、且能够从所述人物对中推断出的句子窗口s,添加对应的数据(h,r,o,s)至所述数据集中,r为当前时间下人物对中头实体h以及尾实体o之间的社交关系;
S13,对于所述数据(h,r,o,s)的时间戳进行标记,所述时间戳为当前时间前该人物对(h,o)的出现次数;
S14,统计得到所述数据集的社交关系数量d。
具体的,所述社交关系数量d决定了最后一层全连接层的输出向量维度表示中的维度。
作为一种优选实施例,所述预训练语言模型为BERT预训练模型,所述循环神经网络为双层单向长短记忆网络。
具体的,预训练语言模型使用大规模文本语料库进行预训练,对特定任务的小数据集微调,已经成为目前自然语言处理领域的主要发展趋势。近年来,使用语言模型预训练方法在多项自然语言处理任务上都获得了不错的提升,广泛受到了各界的关注。所述BERT(Bidirectional Encoder Representations from Transformers)预训练语言模型是一种基于双向Transformer构建的预训练语言表征模型。双层单向长短记忆网络(Long ShortTerm Memory Network,LSTM)是一种改进的循环神经网络,可以解决循环神经网络RNN无法处理长距离依赖的问题。
作为一种优选实施例,请参阅图3,所述步骤S3中包括以下步骤:
S31,运用所述社交关系演变预测模型中的预训练语言模型抽取所述文本数据的文本特征;
S32,拼接其中步骤S31得到的前m步的文本特征得到融合特征fw;
S33,将所述融合特征fw输入所述社交关系演变预测模型中的循环神经网络,由所述循环神经网络输出前m步的时序信息。
具体的,在步骤S31中,对于句子窗口s,为了标记头尾实体在输入文本中的位置,将s中的头实体替换为“$头$”,将尾实体替换为“#尾#”;然后构建BERT模型的输入序列,首先使用BERT的tokenizer对文本进行切分,接着,在句子的头部加上[CLS]标签,在句子尾部加上[SEP]标签,得到BERT模型的输入序列q,输入序列q经过Bert Encoder后,将[CLS]标签对应的隐含向量作为句子窗口的向量表示ft。ft为该输入对应的文本特征,为768维。
具体的,在步骤S32中,如果当前时间点t前不足m步,用0补全至m步。例如,前一步的数据为(Gt-1,rt-1,ot-1,st-1,t-1),st-1的文本特征为前一步知识图谱的特征表示,抽取前m步中每一步文本对应的文本特征。所述融合特征fw为m*768维。
在步骤S33中,所述fw输入LSTM,LSTM输出的最后一步隐含向量hL为前m步的时序信息,为dk维向量(dk为人工定义的向量维度),LSTM的计算过程如下式所示:
hi=LSTM(fw,hi-1)
其中,hi为LSTM模块的隐含向量且1≤i≤L。
作为一种优选实施例,请参阅图4,所述步骤S4中包括以下步骤:
S41,拼接当前步的文本特征与前m步的时序信息并进行向量归一化,得到融合特征fr;
S42,将所述融合特征fr经过所述社交关系演变预测模型中的单层全连接层后得到d维隐含向量表示;
S43,所述d维隐含向量表示经过softmax激活函数,得到社交关系的概率分布,选取其中置信度最高的社交关系作为预测的社交关系。
具体的,在步骤S41中,首先将当前步的文本语义特征和前m步的时序信息拼接至一起,得到1468维向量,接着经过LayerNorm层进行向量归一化,LayerNorm层的输出为融合特征,记为fr,如下式所示:
fr=LayerNorm([ft,hi])。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种基于时态知识图谱推理的社交关系演变预测方法,其特征在于,包括以下步骤:
S1,获取文本语料及对应的时态知识图谱,构建数据集;所述时态知识图谱为包含时序信息的人物关系图谱,所述数据集包括标注有人物、时间及社交关系的文本数据;
S2,以预训练语言模型以及循环神经网络构建社交关系演变预测模型;
S3,运用所述社交关系演变预测模型抽取所述文本数据的文本特征以及所述时态知识图谱的时序信息;
S4,融合所述文本特征以及时序信息,运用社交关系演变预测模型对所述文本特征以及时序信息的融合结果进行分类得到社交关系的条件概率分布,选取其中置信度最高的社交关系作为预测的社交关系;
S5,从所述数据集中抽取文本数据,在预设的迭代次数下循环所述步骤S3及S4对所述社交关系演变预测模型进行训练;
S6,获取待处理的输入文本,运用经过步骤S5训练后的所述社交关系演变预测模型对所述输入文本进行社交关系演变预测。
2.根据权利要求1所述的基于时态知识图谱推理的社交关系演变预测方法,其特征在于,所述步骤S1包括以下步骤:
S11,抽取文学作品的人物构成人物表,所述人物表中包括n个人物;根据所述人物表构建n(n-1)个由头实体h以及尾实体o构成的人物对;
S12,将所述文本语料划分为若干个包括连续三个句子的句子窗口s,对于包括所述人物对、且能够从所述人物对中推断出的句子窗口s,添加对应的数据(h,r,o,s)至所述数据集中,r为当前时间下人物对中头实体h以及尾实体o之间的社交关系;
S13,对于所述数据(h,r,o,s)的时间戳进行标记,所述时间戳为当前时间前该人物对(h,o)的出现次数;
S14,统计得到所述数据集的社交关系数量d。
3.根据权利要求1所述的基于时态知识图谱推理的社交关系演变预测方法,其特征在于,所述预训练语言模型为BERT预训练模型。
4.根据权利要求1所述的基于时态知识图谱推理的社交关系演变预测方法,其特征在于,所述循环神经网络为双层单向长短记忆网络。
5.根据权利要求1所述的基于时态知识图谱推理的社交关系演变预测方法,其特征在于,在所述时态知识图谱G={G1,...,GT}中,时间点t的知识图谱Gt由前m步以及当前步的句子窗口s决定,即p(Gt|s,Gt-m:t-1);时间点t中人物对中头实体h以及尾实体o之间的社交关系为p(r|h,o,s,Gt-m:t-1)=p(r|h,o,Gt)*p(Gt|s,Gt-m:t-1)。
6.根据权利要求1所述的基于时态知识图谱推理的社交关系演变预测方法,其特征在于,所述步骤S3中包括以下步骤:
S31,运用所述社交关系演变预测模型中的预训练语言模型抽取所述文本数据的文本特征;
S32,拼接其中步骤S31得到的前m步的文本特征得到融合特征fw;
S33,将所述融合特征fw输入所述社交关系演变预测模型中的循环神经网络,由所述循环神经网络输出前m步的时序信息。
7.根据权利要求1所述的基于时态知识图谱推理的社交关系演变预测方法,其特征在于,所述步骤S4中包括以下步骤:
S41,拼接当前步的文本特征与前m步的时序信息并进行向量归一化,得到融合特征fr;
S42,将所述融合特征fr经过所述社交关系演变预测模型中的单层全连接层后得到d维隐含向量表示;
S43,所述d维隐含向量表示经过softmax激活函数,得到社交关系的概率分布,选取其中置信度最高的社交关系作为预测的社交关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110162361.6A CN112905738B (zh) | 2021-02-05 | 2021-02-05 | 一种基于时态知识图谱推理的社交关系演变预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110162361.6A CN112905738B (zh) | 2021-02-05 | 2021-02-05 | 一种基于时态知识图谱推理的社交关系演变预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112905738A true CN112905738A (zh) | 2021-06-04 |
CN112905738B CN112905738B (zh) | 2022-04-22 |
Family
ID=76122983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110162361.6A Active CN112905738B (zh) | 2021-02-05 | 2021-02-05 | 一种基于时态知识图谱推理的社交关系演变预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112905738B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113408663A (zh) * | 2021-07-20 | 2021-09-17 | 中国科学院地理科学与资源研究所 | 融合模型构建方法、融合模型使用方法、装置和电子设备 |
CN115080756A (zh) * | 2022-06-09 | 2022-09-20 | 广州大学 | 一种面向威胁情报图谱的攻防行为和时空信息抽取方法 |
WO2023115761A1 (zh) * | 2021-12-20 | 2023-06-29 | 北京邮电大学 | 基于时序知识图谱的事件检测方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190188332A1 (en) * | 2017-12-15 | 2019-06-20 | Mito.AI AS | System of dynamic knowledge graph based on probabalistic cardinalities for timestamped event streams |
CN110502670A (zh) * | 2019-08-29 | 2019-11-26 | 南京智慧光信息科技研究院有限公司 | 基于人工智能的网络社交关系知识图谱生成方法和*** |
CN111159425A (zh) * | 2019-12-30 | 2020-05-15 | 浙江大学 | 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 |
CN111367961A (zh) * | 2020-02-27 | 2020-07-03 | 西安交通大学 | 基于图卷积神经网络的时序数据事件预测方法、***及其应用 |
CN111784081A (zh) * | 2020-07-30 | 2020-10-16 | 南昌航空大学 | 一种采用知识图谱嵌入和时间卷积网络的社交网络链路预测方法 |
-
2021
- 2021-02-05 CN CN202110162361.6A patent/CN112905738B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190188332A1 (en) * | 2017-12-15 | 2019-06-20 | Mito.AI AS | System of dynamic knowledge graph based on probabalistic cardinalities for timestamped event streams |
CN110502670A (zh) * | 2019-08-29 | 2019-11-26 | 南京智慧光信息科技研究院有限公司 | 基于人工智能的网络社交关系知识图谱生成方法和*** |
CN111159425A (zh) * | 2019-12-30 | 2020-05-15 | 浙江大学 | 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 |
CN111367961A (zh) * | 2020-02-27 | 2020-07-03 | 西安交通大学 | 基于图卷积神经网络的时序数据事件预测方法、***及其应用 |
CN111784081A (zh) * | 2020-07-30 | 2020-10-16 | 南昌航空大学 | 一种采用知识图谱嵌入和时间卷积网络的社交网络链路预测方法 |
Non-Patent Citations (1)
Title |
---|
陈浩等: "基于多关系循环事件的动态知识图谱推理", 《模式识别与人工智能》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408663A (zh) * | 2021-07-20 | 2021-09-17 | 中国科学院地理科学与资源研究所 | 融合模型构建方法、融合模型使用方法、装置和电子设备 |
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 |
WO2023115761A1 (zh) * | 2021-12-20 | 2023-06-29 | 北京邮电大学 | 基于时序知识图谱的事件检测方法和装置 |
CN115080756A (zh) * | 2022-06-09 | 2022-09-20 | 广州大学 | 一种面向威胁情报图谱的攻防行为和时空信息抽取方法 |
CN115080756B (zh) * | 2022-06-09 | 2023-05-23 | 广州大学 | 一种面向威胁情报图谱的攻防行为和时空信息抽取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112905738B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112905738B (zh) | 一种基于时态知识图谱推理的社交关系演变预测方法 | |
CN108073677B (zh) | 一种基于人工智能的多级文本多标签分类方法及*** | |
CN109508375A (zh) | 一种基于多模态融合的社交情感分类方法 | |
CN111125358B (zh) | 一种基于超图的文本分类方法 | |
CN112199608B (zh) | 基于网络信息传播图建模的社交媒体谣言检测方法 | |
CN111444340A (zh) | 文本分类和推荐方法、装置、设备及存储介质 | |
CN112699774B (zh) | 视频中人物的情绪识别方法及装置、计算机设备及介质 | |
CN111104512B (zh) | 游戏评论的处理方法及相关设备 | |
CN110110318B (zh) | 基于循环神经网络的文本隐写检测方法及*** | |
CN111753207B (zh) | 一种基于评论的神经图协同过滤方法 | |
CN112559734B (zh) | 简报生成方法、装置、电子设备及计算机可读存储介质 | |
CN113254652B (zh) | 一种基于超图注意力网络的社交媒体贴文真实性检测方法 | |
CN112597296A (zh) | 一种基于计划机制和知识图谱引导的摘要生成方法 | |
CN113312912B (zh) | 一种用于交通基础设施检测文本的机器阅读理解方法 | |
Zhou et al. | ICRC-HIT: A deep learning based comment sequence labeling system for answer selection challenge | |
CN115391570A (zh) | 一种基于方面的情感知识图谱构建方法及装置 | |
Ogudo et al. | Sentiment analysis application and natural language processing for mobile network operators’ support on social media | |
CN115687760A (zh) | 一种基于图神经网络的用户学习兴趣标签预测方法 | |
CN117313709B (zh) | 一种基于统计信息和预训练语言模型的生成文本检测方法 | |
CN114780866A (zh) | 一种基于时空上下文兴趣学习模型的个性化智能推荐方法 | |
CN113268592B (zh) | 基于多层次交互注意力机制的短文本对象情感分类方法 | |
US20200050932A1 (en) | Information processing apparatus, information processing method, and program | |
CN116541593B (zh) | 一种基于超图神经网络的课程推荐方法 | |
CN113689514A (zh) | 一种面向主题的图像场景图生成方法 | |
CN117708692A (zh) | 基于双通道图卷积神经网络的实体情感分析方法及*** |
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 |