[发明专利]一种基于重复历史事实的时序知识图谱案件推理方法

说明书

一种基于重复历史事实的时序知识图谱案件推理方法，包括以下步骤：1)获取数据集中的头实体，关系，尾实体，时间戳；2)随机初始化实体、关系和时间戳的嵌入，LSTM和神经网络的参数；3)利用头实体，关系，尾实体，时间戳的嵌入，更新LSTM中的参数和神经网络，并通过历史词表惩罚历史中未出现的事实，具体过程如下所述。4)根据得到的LSTM网络和神经网络，该时间戳下已知头实体和关系预测尾实体或已知尾实体和关系预测头实体。与现有技术相比，本发明通过二维卷积聚合嵌入特征，LSTM和神经网络训练带有时间信息的特征，利用历史词表惩罚历史中未出现的事实，据此得到的时序知识图谱案件推理比现有的方法效果更好。

技术领域

本发明属于人工智能领域，具体是涉及一种基于重复历史事实的时序知识图谱案件推理方法。

背景技术

随着社会的不断发展,案件也变得越来越复杂，但随着大数据对个人信息更全面的搜集，为了能够得到更完整的案件流程，如身份证、地点、时间、交通工具等，这为时序知识图谱案件推理提供充足的数据集。目前主流的链接预测并不能很好的把重复历史事实信息结合到预测中，而案件往往呈现在重复地点使用同一交通工具犯罪，利用好这些信息可以大大提高知识图谱推理的准确性。本发明基于人工智能的发展，提出的一种基于重复历史事实的时序知识图谱案件推理方法可以帮助推理案件，从而减轻压力。

发明内容

为了克服现有技术的不足，为了减轻压力，本发明提出一种利用过去的四元组(头实体，关系，尾实体，时间戳)来训练LSTM和神经网络帮助推理案件的方法。

本发明解决其技术问题所采用的技术方案是：

一种基于重复历史事实的时序知识图谱案件推理方法，包括以下步骤：

1)获取数据集中的头实体，关系，尾实体，时间戳；

2)随机初始化实体、关系和时间戳的嵌入，LSTM和神经网络的参数；

3)利用头实体，关系，尾实体，时间戳的嵌入，更新LSTM中的参数和神经网络，并通过历史词表惩罚历史中未出现的事实，过程如下：

3.1)根据时序知识图谱中事实对应的时间戳的顺序，将时序知识图谱已知事实中的头实体，关系，尾实体，时间戳的嵌入输入二维卷积，公式如下：

M_τ＝Conv2d(h,r,τ)；

M_τ是τ时间戳下嵌入经过二维卷积提取特征后的特征向量，h,r,τ是实体、关系和时间戳的嵌入；

3.2)用二维卷积提取特征后的特征矩阵M_τ训练LSTM，公式如下：

E_τ＝LSTM(M_τ)；

E_τ是τ时间戳下经过LSTM训练后的特征向量；

3.3)用一层神经网络预测头实体或者尾实体，公式如下：

S_τ＝MLP(E_τ)；

S_τ是神经网络预测的概率；

3.4)使用τ时间戳之前的历史事实生成历史词表，将实体和关系查询历史词表中是否存在过，若未存在过，做出惩罚；

P_τ＝S_τ-α*H_τ^(h,r)*|S_τ|

P_τ是经过历史词表惩罚过的概率，P_τ是一个超参数，H_τ^(h,r)是历史词表。