1.一种时序知识图谱表征模型构建方法,其特征在于,所述方法包括以下步骤:
获取时序知识图谱G,所述时序知识图谱G中的每个知识采用四元组(hi,ri,ti,[tis,tie])描述,其中,hi是头实体,ri是关系,ti是尾实体,[tis,tie]表示知识的有效时间段,i≥
1;
对时序知识图谱G中的时间信息进行粒度划分,得到离散时间段的静态子知识图谱G1,...Gτ,...,GT,其中,G=G1∪G2∪…Gτ…∪GT;
对每个静态子知识图谱Gτ学习建立超平面,获取静态子知识图谱Gτ在超平面中实体、关系和时间的向量表征;
利用静态子知识图谱Gτ在超平面中实体、关系和时间的向量表征对构建的LSTM模型进行训练,获得训练后的LSTM模型。
2.如权利要求1所述的一种时序知识图谱表征模型构建方法,其特征在于:采用四元组头实体‑关系‑尾实体‑时间(hi,ri,ti,[tis,tie])抽取方法对领域独立的各类数据源进行开放式信息抽取,构建时序知识图谱G。
3.如权利要求1所述的一种时序知识图谱表征模型构建方法,其特征在于:对时序知识图谱G中的时间信息进行粒度划分,得到离散时间段的静态子知识图谱G1,...Gτ,...,GT,具体包括:
对时序知识图谱G中的时间信息进行粒度划分,得到离散时间段序列1,2,…,T,每一个时间段以时间戳τ表示,τ∈1,2,…,T;
将动态知识图谱G根据离散时间段序列划分为若干个静态子知识图谱G1,…,GT,每个静态子知识图谱Gτ中的知识以三元组(hi,ri,ti)表示。
4.如权利要求3所述的一种时序知识图谱表征模型构建方法,其特征在于:所述对每个静态子知识图谱Gτ学习建立超平面,获取静态子知识图谱Gτ在超平面中实体、关系和时序的向量表征,具体包括;
将T个静态子知识图谱对应T个表示空间,在第τ个表示空间中学习建立超平面;
将静态子知识图谱Gτ中知识的头实体、尾实体及关系映射到第τ个表示空间所对应的超平面,获取静态子知识图谱Gτ在超平面中实体、关系和时间的向量表征。
5.一种时序知识图谱补全方法,其特征在于,所述时序知识图谱中的每个知识采用四元组(hi,ri,ti,[tis,tie])描述,所述方法包括:
确认时序知识图谱G中需要补全内容的知识,所述需要补全内容的知识中需要补全的内容包括头实体、尾实体或关系中的一种;
基于所述需要补全内容的知识中已包含的内容,调用时序知识图谱表征模型对需要补全内容的知识进行补全,其中,所述时序知识图谱表征模型通过权利要求1‑4任一所述的时序知识图谱表征模型构建方法得到。
6.如权利要求5所述的一种时序知识图谱补全方法,其特征在于:若所述需要补全内容的知识中需要补全的内容为头实体,则所述基于所述知识中已包含的内容,调用时序知识图谱表征模型对需要补全内容的知识进行补全,包括:
通过时序知识图谱表征模型得到需要补全内容的知识中的超平面wτ,以及尾实体表征ti和关系表征ri;
通过第一预设公式计算得到超平面上对应的尾实体表征Pτ(ti)和关系表征Pτ(ri);
根据超平面上对应的尾实体表征Pτ(ti)和关系表征Pτ(ri),通过第二预设公式和知识库中其他实体计算评分,将评分排序最高的其他实体作为头实体预测目标htarget;
将补全后的四元组(htarget,ri,ti,[tis,tie])加入知识库。
7.如权利要求5所述的一种时序知识图谱补全方法,其特征在于:若若所述需要补全内容的知识中需要补全的内容为尾实体,则所述基于所述知识中已包含的内容,调用时序知识图谱表征模型对需要补全内容的知识进行补全,包括:
通过时序知识图谱表征模型得到需要补全内容的知识中的超平面wτ,以及头实体表征hi和关系表征ri;
通过第三预设公式计算得到超平面上对应的头实体表征Pτ(hi)和关系表征Pτ(ri);
根据超平面上对应的头实体表征Pτ(hi)和关系表征Pτ(ri),通过第四预设公式和知识库中其他实体计算评分,将评分排序最高的其他实体作为尾实体预测目标htarget;
将补全后的四元组(hi,ri,ttarget,[tis,tie])加入知识库。
8.如权利要求5所述的一种时序知识图谱补全方法,其特征在于:若所述若所述需要补全内容的知识中需要补全的内容为关系,则所述基于所述知识中已包含的内容,调用时序知识图谱表征模型对需要补全内容的知识进行补全,包括:
通过时序知识图谱表征模型得到需要补全内容的知识中的超平面wτ,以及头实体表征hi和尾实体表征ti;
通过第五预设公式计算得到超平面上对应的头实体表征Pτ(hi)和尾实体表征Pτ(ti);
根据超平面上对应的头实体表征Pτ(hi)和尾实体表征Pτ(ti),通过第六预设公式和知识库中其他关系计算评分,将评分排序最高的其他关系作为关系预测目标rtarget;
将补全后的四元组(hi,rtarget,ti,[tis,tie])加入知识库。