[发明专利]联邦教育知识图谱补全方法、设备及介质

说明书

本发明公开了一种联邦教育知识图谱补全方法、设备及介质，摒弃中央服务器，保护教育数据持有方隐私数据，采用全局关系学习和本地节点感知强化建立教育知识图谱。该方法包括：将满足要求的节点分为训练节点和对抗委员会节点；获取对应全局教育知识图谱补全模型第一权重；对本地教育知识图谱补全模型训练，得到本地教育知识图谱补全模型第二权重；将第二权重传递到对抗委员会节点；上传第二权重至区块链；当区块链上第二权重个数大于预设值，触发全局教育知识图谱补全模型权重聚合，更新全局教育知识图谱补全模型权重，得到全局教育知识图谱补全模型第三权重；当全局教育知识图谱补全模型第三权重变化值小于阈值，保存全局教育知识图谱补全模型。

技术领域

本发明涉及人工智能技术以及教育领域，尤其涉及一种联邦教育知识图谱补全方法、设备及介质。

背景技术

随着人工智能的飞速发展，知识图谱技术逐渐成熟，被广泛应用于各种不同的领域，如推荐系统、搜索引擎、智能问答系统等。在教育领域中，很多机构都有各自的教育知识图谱，但由于数据隐私逐渐受到人们的重视，各方面的数据往往不能共享，这也导致了教育知识图谱的不完备问题尤为突出。相关技术中，通过联邦学习，能够联合若干个不同的机构构建更为完善的知识图谱。但是传统的联邦学习架构下，整个训练过程很大程度上取决于服务器的状态，容易出现模型训练过程被延迟的情况。另外，中心化的服务器可能使得教育数据持有方的隐私数据被获取，或者恶意地污染全局模型导致模型训练过程受到影响。

发明内容

为了解决上述技术问题的至少之一，本发明提出联邦教育知识图谱补全方法、设备及介质，能够摒弃传统的第三方中央服务器，较好地保护教育数据持有方的隐私数据，并且能够有效降低全局模型被污染概率，从而建立较为完善的教育知识图谱。

第一方面，本发明实施例提供了一种联邦教育知识图谱补全方法，包括以下步骤：

将全局教育知识图谱补全模型中满足预设要求的节点分为训练节点和对抗委员会节点；

获取所述训练节点对应所述全局教育知识图谱补全模型中的第一权重；

根据所述第一权重对本地教育知识图谱补全模型训练，更新所述本地教育知识图谱补全模型的权重，得到所述本地教育知识图谱补全模型的第二权重；

将所述第二权重传递到所述对抗委员会节点；

确定所述对抗委员会节点对所述第二权重验证通过，将所述第二权重上传至区块链上；

确定所述区块链上的所述第二权重的个数大于预设值，触发所述全局教育知识图谱补全模型的权重聚合步骤，更新所述全局教育知识图谱补全模型的权重，得到所述全局教育知识图谱补全模型的第三权重；

将所述第三权重上传至所述区块链；

确定所述全局教育知识图谱补全模型的第三权重的变化值小于阈值，对所述全局教育知识图谱补全模型进行保存。