[发明专利]一种基于协同演化建模的时序知识图谱表示学习方法

说明书

本发明提供了一种基于协同演化建模的时序知识图谱表示学习方法，属于时序知识图谱技术领域，根据待表示的时序知识图谱，初始化模型的参数以及任一实体和关系的嵌入表示；计算得到每个已知事实的发生概率，并通过最大化已知事实的发生概率得到局部结构的演化损失；为每个时序知识图谱快照的图结构计算其对应的软模块度，并最大化软模块度得到全局结构的演化损失；计算得到模型的整体损失函数；利用梯度下降法迭代优化所述模型的整体损失函数，直至模型收敛。本发明解决了以往的工作因为忽略时序知识图谱的演化本质而无法获得准确的嵌入表示的问题。

技术领域

本发明属于时序知识图谱技术领域，尤其涉及一种基于协同演化建模的时序知识图谱表示学习方法。

背景技术

知识图谱作为一种具有语义属性的知识库系统，被广泛用于各个领域中结构化数据的存储与管理，比如动态社交。知识图谱可以被表示成一个异构有向图，其中节点代表了现实世界中的实体与概念，而带有标签的有向边则代表了它们之间的关系。尽管目前已有很多知识图谱表示学习方法被提出，但他们很少考虑知识图谱的动态性，尤其是忽略了其演化本质，这种知识的更新迭代反映到知识图谱上则表现为实体的出现与消失或关系的建立与解除，因此知识图谱本身具有时变性和演化性。现有的工作忽略了知识图谱的时间特性，导致他们所学习到的嵌入表示是不准确不合理的。

近年来，一些工作尝试为这种随时间变化的知识图谱学习嵌入表示，又被称为时序知识图谱表示学习，主要包括四类方法。基于时序关系依赖的方法，其旨在通过约束关系之间的客观发生顺序来融入时间信息；基于时间超平面的方法，其通过将不同时间下的知识映射到不同的超平面上来分别学习每个时间下的嵌入表示；基于历时实体嵌入的方法，其将实体的嵌入表示看作一个与时间相关的非线性函数；基于张量分解的方法，其利用邻接矩阵的低秩分解来学习时序知识图谱的嵌入表示。

然而，上述工作要么独立地学习每个时刻的嵌入表示，从而忽略了时序知识图谱的演化本质；要么将其演化本质简化为实体的非线性动态性，无法反映时序知识图谱的详细演化机制。事实上，从局部结构来看，随着时间的发展，关系不断在实体之间建立或解除，从而驱动了时序知识图谱的演化。而从全局结构来看，大量的关系建立与解除共同形成了时序知识图谱中社团结构的缓慢演化过程，同时，局部结构演化与全局结构演化并非互相独立的，局部结构演化是全局结构演化的内在机制，全局结构演化是局部结演化的外驱动因，考虑局部和全局结构的协同演化过程能够学习到更为准确的时序知识图谱嵌入表示，目前还没有工作考虑到这一点。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于协同演化建模的时序知识图谱表示学习方法，其创新点在于同时从局部结构和全局结构两个角度建模时序知识的演化过程，并提出了一个新的软模块度用于衡量社团结构，本方法解决了以往的工作因为忽略时序知识图谱的演化本质而无法获得准确的嵌入表示的问题。

为了达到以上目的，本发明采用的技术方案为：

本方案提供一种基于协同演化建模的时序知识图谱表示学习方法，包括以下步骤：

S1、根据待表示的时序知识图谱，初始化模型的参数以及任一实体和关系的嵌入表示；

S2、以时序知识图谱中事实对应时间戳的顺序，输入时序知识图谱的已知事实计算得到每个已知事实的发生概率，并通过最大化已知事实的发生概率得到局部结构的演化损失；

S3、以时间顺序输入时序知识图谱在每个时间戳下的时序知识图谱快照，为每个时序知识图谱快照的图结构计算其对应的软模块度，并最大化软模块度得到全局结构的演化损失；

S4、根据所述局部结构的演化损失以及全局结构的演化损失，计算得到模型的整体损失函数；

S5、利用梯度下降法迭代优化所述模型的整体损失函数，并更新模型的参数以及实体和关系的嵌入表示；