[發(fā)明專利]基于邏輯推理和圖卷積的復雜網(wǎng)絡鏈接預測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110500661.0
• 申請日: 2021-05-08
• 公開（公告）號: CN113190688B
• 公開（公告）日: 2022-07-19
• 發(fā)明（設計）人: 黃健;張家瑞;高家隆
• 申請（專利權(quán)）人: 中國人民解放軍國防科技大學
• 主分類號: G06F16/36
• 分類號: G06F16/36;G06N3/04;G06N3/08;G06N5/04
• 代理公司: 北京風雅頌專利代理有限公司 11403
• 代理人: 曾志鵬

本發(fā)明公開了一種基于邏輯推理和圖卷積的復雜網(wǎng)絡鏈接預測方法及系統(tǒng)。該方法包括：構(gòu)建復雜網(wǎng)絡對應的知識圖譜，并獲取訓練集；通過帶缺省的一階邏輯推理網(wǎng)絡對訓練集中的各實體對進行關(guān)系推理，并通過映射獲得關(guān)系置信度矩陣；基于關(guān)系置信度矩陣，通過集中訓練分散執(zhí)行機制和局部關(guān)系注意力機制對基于迭代注意力的圖卷積神經(jīng)網(wǎng)絡進行迭代訓練，獲取第一概率分布；根據(jù)網(wǎng)絡迭代輸出的關(guān)系權(quán)重矩陣和關(guān)系置信度矩陣計算第二概率分布；根據(jù)聯(lián)合評價函數(shù)獲取第一概率分布和第二概率分布之間的Wasserstein距離；根據(jù)Wasserstein距離迭代更新兩個網(wǎng)絡得到鏈接預測模型；根據(jù)鏈接預測模型補全知識圖譜。本發(fā)明鏈接預測效率高。

技術(shù)領(lǐng)域

本發(fā)明屬于復雜網(wǎng)絡分析技術(shù)領(lǐng)域，尤其涉及到一種基于邏輯推理和圖卷積的復雜網(wǎng)絡鏈接預測方法及系統(tǒng)。

背景技術(shù)

復雜網(wǎng)絡是社交網(wǎng)絡、引文網(wǎng)絡、生物代謝網(wǎng)絡、合作關(guān)系網(wǎng)絡等真實網(wǎng)絡的一種抽象，知識圖譜中的問題大部分可以用網(wǎng)絡形式表達，要構(gòu)建完整的復雜網(wǎng)絡可以與知識圖譜相結(jié)合，通過鏈接預測去完成。鏈接預測任務是預測復雜網(wǎng)絡中丟失的邊，或者預測未來可能出現(xiàn)的邊，而知識圖譜存儲著實體和實體間的復雜關(guān)系，包含大量由實體和實體間的關(guān)系構(gòu)成的事實三元組，但在大規(guī)模的知識圖譜中由于數(shù)據(jù)的稀疏性，知識是不完備的，存在很多隱含的知識還未被挖掘出來，需要進行鏈接預測任務。現(xiàn)有的復雜網(wǎng)絡鏈接預測方法常采用R-GCN(Relational Graph Convolutional Network，關(guān)系圖卷積網(wǎng)絡)，但R-GCN的鏈接預測性能低。

發(fā)明內(nèi)容

基于此，有必要針對上述技術(shù)問題，提供一種基于邏輯推理和圖卷積的復雜網(wǎng)絡鏈接預測方法及系統(tǒng)。

基于上述目的，第一方面，本發(fā)明提供一種基于邏輯推理和圖卷積的復雜網(wǎng)絡鏈接預測方法，包括：

構(gòu)建復雜網(wǎng)絡對應的初始知識圖譜，基于所述初始知識圖譜獲取訓練集；

通過帶缺省的一階邏輯推理網(wǎng)絡對所述訓練集中的各實體對進行關(guān)系推理，獲取各所述實體對的關(guān)系置信度，并通過映射得到關(guān)系置信度矩陣；

將所述關(guān)系置信度矩陣輸入基于迭代注意力的圖卷積神經(jīng)網(wǎng)絡，并通過集中訓練分散執(zhí)行機制和局部關(guān)系注意力機制對所述基于迭代注意力的圖卷積神經(jīng)網(wǎng)絡進行迭代訓練，獲取第一概率分布；

獲取所述基于迭代注意力的圖卷積神經(jīng)網(wǎng)絡一次迭代之后輸出的關(guān)系權(quán)重矩陣，根據(jù)所述關(guān)系權(quán)重矩陣和所述關(guān)系置信度矩陣計算第二概率分布；

根據(jù)聯(lián)合評價函數(shù)獲取所述第一概率分布和所述第二概率分布之間的Wasserstein距離；

根據(jù)所述Wasserstein距離迭代更新所述帶缺省的一階邏輯推理網(wǎng)絡和所述基于迭代注意力的圖卷積神經(jīng)網(wǎng)絡，獲取鏈接預測模型；

根據(jù)所述鏈接預測模型補全所述初始知識圖譜。

優(yōu)選地，所述根據(jù)帶缺省的一階邏輯推理網(wǎng)絡對所述訓練集中的各實體對進行關(guān)系推理，獲取各所述實體對的關(guān)系置信度，并通過映射得到關(guān)系置信度矩陣，包括：

構(gòu)建帶缺省規(guī)則的知識庫；

基于所述帶缺省規(guī)則的知識庫，通過所述帶缺省的一階邏輯推理網(wǎng)絡中包含的多類規(guī)則對所述訓練集中的各所述實體對進行關(guān)系推理；

對通過多類規(guī)則推理成功的所述實體對進行置信度評估，獲取所述實體對的關(guān)系置信度；

確定所述關(guān)系置信度小于預設的置信度閾值的所述實體對，并將所述實體對對應的缺省規(guī)則映射至連續(xù)空間中，獲得關(guān)系置信度矩陣。

優(yōu)選地，所述將所述關(guān)系置信度矩陣輸入基于迭代注意力的圖卷積神經(jīng)網(wǎng)絡，并通過集中訓練分散執(zhí)行機制和局部關(guān)系注意力機制對所述基于迭代注意力的圖卷積神經(jīng)網(wǎng)絡進行迭代訓練，獲取第一概率分布，包括：