一种基于双层异质图的事理知识图谱关系补全方法及系统

技术特征：
1.一种基于双层异质图的事理知识图谱关系补全方法，其特征在于，所述方法包括： s1、从已知的事理知识图谱中，获取全部事件中的对应关系，其中，所述对应关系包括：所述全部事件包含的所有实体构成的异质图；s2、对所述异质图进行表示学习，据以获得每个实体节点的向量表示，以得到子图结构嵌入特征表示，据以获取预训练模型，其中，所述步骤s2还包括：s21、获取并利用预置逻辑表示元路径；s22、根据所述元路径的节点嵌入聚合得到元路径嵌入表示，据以构造语义嵌入矩阵，融合处理一个事件中的不少于2个的所述元路径，以得到所述事件在所述异质图上的子图语义特征；s23、根据原始异质子图的节点特征和语义特征，分别生成异质子图，融合所述异质子图与所述原始异质子图，以得到第一融合新异质子图；s24、根据所述第一融合新异质子图中的每个所述事件映射一个子图，与该子图的所述节点特征和所述语义特征进行融合处理，据以得到第二融合新异质子图；s25、将所述第二融合新异质子图输入到图神经网络模型gnn和预置正则化器中，以通过双层异质图联合学习，优化所述第二融合新异质子图的图结构和gnn参数，以得到所述预训练模型；s3、结合所述预训练模型，提取所述事理知识图谱中的事件语义特征；s4、结合所述子图结构嵌入特征表示以及所述事件语义特征，据以进行异质图联合学习，据以得到事理知识图谱关系预测模型；s5、获取并利用新事件实体，根据所述事理知识图谱关系预测模型，对基本异质图进行扩展补全，以得到更新异质图，利用所述更新异质图更新所述子图结构嵌入特征表示，据以补全所述事理知识图谱，其中，所述事理知识图谱关系预测模型包括：transr模型。2.根据权利要求1所述的一种基于双层异质图的事理知识图谱关系补全方法，其特征在于，所述步骤s1包括：s11、利用已知的所述事理知识图谱kg，与所述事理知识图谱kg中的所有事件节点包含的所述实体构成所述异质图g，其中，以下述逻辑表示所述异质图:g=（v,e,f）其中，v表示节点集合，e表示边集合，f表示特征集合；s12、获取事件知识图谱中的对应关系，其中，所述对应关系包括:事件e
e
与所述事件之间的关系r
e
，所述事理知识图谱中的所述事件之间的关系类型包括：因果关系、条件关系、反转关系、顺承关系、上下位关系、组成关系和并发关系；s13、从所述事件中抽取实体e
g
及实体间关系r
g，
据以构成异质子图，并利用每个所述事件与该所述事件的所述异质子图建立映射关系，其中，所述实体的类型包括：人物、事物、地点，每个所述事件包括：所述实体及所述实体间关系；s14、以所述实体为边界，在所述异质图g上划分与所述事件对应的异质子图g
sub
，并在所述异质图表示学习过程中，融合所述异质子图g
sub
的子图结构信息。3.根据权利要求1所述的一种基于双层异质图的事理知识图谱关系补全方法，其特征在于，所述步骤s21中，利用下述逻辑定义所述元路径p：
据以描述节点v1和节点v
l 1
之间的复合关系。4.根据权利要求3所述的一种基于双层异质图的事理知识图谱关系补全方法，其特征在于，以下述逻辑表示所述复合关系：其中，v表示所述异质图中的所述节点，r表示所述异质图中所述节点之间的关系，符号
ᵒ
表示集合之间的映射。5.根据权利要求1所述的一种基于双层异质图的事理知识图谱关系补全方法，其特征在于，所述步骤s25中，利用所述事件映射子图生成结构信息，该所述结构信息包括：所述第一融合新异质子图以及所述第二融合新异质子图的影响数据。6.根据权利要求1所述的一种基于双层异质图的事理知识图谱关系补全方法，其特征在于，所述步骤s3包括：s31、从所述预训练模型中，获取文本的文本向量表示；s32、利用预置的中文预训练模型bert-wwm，从所述预训练模型中获取中文文本向量表示；s33、根据所述文本的具体文本长度分布情况，进行补0及截断处理，以设置适用文本长度；s34、根据所述文本的位置信息，处理得到文本嵌入表示，据以作为所述事件语义特征。7.根据权利要求1所述的一种基于双层异质图的事理知识图谱关系补全方法，其特征在于，所述步骤s4包括：s41、结合处理所述异质图的所述子图结构嵌入特征表示以及所述事件语义特征；s42、结合transr算法，针对所述子图结构特征表示中的三元组＜e
eh
,r
e
,e
et
>，以结点e
eh
作为头结点，结点e
et
作为尾结点，并使得期望头结点向量和关系向量之和逼近尾结点向量，以达到所述头节点及所述尾结点适用状态；s43、损失函数利用负采样的max-margin函数，以下述逻辑处理得到损失函数：l(y,y’)=max(0,margin-y y’)其中，y是正样本的得分，y’是负样本的得分；s44、对于所述事理知识图谱，以下述逻辑表示其知识表示损失函数：l(e
eh
,r
e
,e
et
)=max(0,d
pos-d
neg
margin)其中，d=||e
eh
r
e-e
et
||，表示l1、l2范数，l是损失函数，r
e
是向量et和eh之间的差，d
pos
是正样本特征距离，d
neg
是负样本特征距离，margin是惩罚函数；s45、利用所述损失函数以及所述知识表示损失函数，进行异质图联合学习，以得到所述事理知识图谱关系预测模型，据以进行关系补全。8.根据权利要求7所述的一种基于双层异质图的事理知识图谱关系补全方法，其特征在于，所述步骤s42中，以下述逻辑表示所述头尾结点适用状态：e
eh
r
e
=e
et
。9.根据权利要求1所述的一种基于双层异质图的事理知识图谱关系补全方法，其特征在于，所述步骤s5包括：
s51、更新所述异质图g，抽取所述事理知识图谱中，所述新事件实体及新事件关系，据以向所述异质图g进行映射；s52、利用所述新事件实体及所述新事件关系，补全更新所述异质图g的节点和连接，以得到所述更新异质图；s53、对所述更新异质图的信息表示进行再学习，获取新嵌入表示；s54、将所述新嵌入表示重新载入所述transr模型，据以完成所述事理知识图谱的补全更新；s55、循环执行所述步骤s51至s54，以循环更新所述事理知识图谱。10.一种基于双层异质图的事理知识图谱关系补全系统，其特征在于，所述系统包括：事件对应关系获取模块，用以从已知的事理知识图谱中，获取全部事件中的对应关系，其中，所述对应关系包括：所述全部事件包含的所有实体构成的异质图；预训练模型获取模块，用以对所述异质图进行表示学习，据以获得每个实体节点的向量表示，以得到子图结构嵌入特征表示，据以获取预训练模型，所述预训练模型获取模块与所述事件对应关系获取模块连接，其中，所述预训练模型获取模块还包括：元路径表示模块，用以获取并利用预置逻辑表示元路径；子图语义特征获取模块，用以根据所述元路径的节点嵌入聚合得到元路径嵌入表示，据以构造语义嵌入矩阵，融合处理一个事件中的不少于2个的所述元路径，以得到所述事件在所述异质图上的子图语义特征，所述子图语义特征获取模块与所述元路径表示模块连接；第一异质图模块，用以根据原始异质子图的节点特征和语义特征，分别生成异质子图，融合所述异质子图与所述原始异质子图，以得到第一融合新异质子图，所述第一异质图模块与所述子图语义特征获取模块连接；第二异质图模块，用以根据所述第一融合新异质子图，每个所述事件映射一个子图，与该子图的所述节点特征和所述语义特征进行融合处理，据以得到第二融合新异质子图，所述第一异质图模块与所述第二异质图模块连接；双层异质图联合训练模块，用以将所述第二融合新异质子图输入到图神经网络模型gnn和预置正则化器中，以通过双层异质图联合学习，优化所述第二融合新异质子图的图结构和gnn参数，以得到所述预训练模型，所述双层异质图联合处理模块与所述第二异质图模块连接；事件语义特征获取模块，用以结合所述预训练模型，提取所述事理知识图谱中的事件语义特征，所述事件语义特征获取模块与所述预训练模型获取模块连接；关系预测模型获取模块，用以结合所述子图结构嵌入特征表示以及所述事件语义特征，据以进行异质图联合学习，据以得到事理知识图谱关系预测模型，所述关系预测模型获取模块与所述事件语义特征获取模块连接；图谱补全模块，用以获取并利用新事件实体，根据所述事理知识图谱关系预测模型，对基本异质图进行扩展补全，以得到更新异质图，利用所述更新异质图更新所述子图结构嵌入特征表示，据以补全所述事理知识图谱，所述图谱补全模块与所述关系预测模型获取模块连接。

技术总结
本发明提供一种基于双层异质图的事理知识图谱关系补全方法及系统，方法包括：将事件中包含的实体抽取处理，构建整体的异质图，结合每个事件映射的异质子图的图结构信息及其节点信息可以更好的帮助模型进行事理知识图谱的关系补全。在构建的异质图中使用图神经网络模型GNN进行表示学习，然后结合多种信息融合更新事件特征，进而应用TransR模型对事理知识图谱进行关系补全。本发明解决了事件关系补全困难以及补全准确度较低的技术问题。全困难以及补全准确度较低的技术问题。全困难以及补全准确度较低的技术问题。


技术研发人员：吴其林 程军 曹骞 方周
受保护的技术使用者：巢湖学院
技术研发日：2022.11.07
技术公布日：2022/12/6