CN113010691A - 一种基于图神经网络的知识图谱推理关系预测方法 - Google Patents

一种基于图神经网络的知识图谱推理关系预测方法 Download PDF

Info

Publication number
CN113010691A
CN113010691A CN202110337986.1A CN202110337986A CN113010691A CN 113010691 A CN113010691 A CN 113010691A CN 202110337986 A CN202110337986 A CN 202110337986A CN 113010691 A CN113010691 A CN 113010691A
Authority
CN
China
Prior art keywords
graph
knowledge graph
information
neural network
relation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110337986.1A
Other languages
English (en)
Inventor
贾海涛
黄超
鲜维富
罗俊海
邢增传
耿昊天
贾宇明
许文波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110337986.1A priority Critical patent/CN113010691A/zh
Publication of CN113010691A publication Critical patent/CN113010691A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Abstract

本发明提出了一种基于图神经网络的知识图谱关系推理方法，该方法包括：在知识图谱推理中的关系推理模型中主要分为评分函数和预测结果两个部分，其中关系推理的结果可以根据不同方式来获得目标节点的与关系组成的候选结果集。在候选结果集中推理正确关系的过程中，本发明主要是结合知识图谱中的结构信息联合知识图谱的语义和注意力机制，以实现知识图谱中未知关系推理预测。在进行知识图谱语义信息获取的过程中，同时使用同构信息理论对目标头尾实体周围的结构信息进行提取，对目标关系周围的知识图谱进行注意力信息采集，通过注意力机制有效融合，将分值最高的候选结果作为最终结果进行输出。

Description

一种基于图神经网络的知识图谱推理关系预测方法
技术领域
本发明涉及知识图谱推理补全领域，尤其涉及一种基于图神经网络的知识图谱推理关系预测方法。
背景技术
知识图谱是由实体和关系组成的图结构，其本身具有图的节点和边的特性，由于知识图谱是现实事物和关系的记录和统计，所以知识图谱天生就是一个非完全图(现实中不存在每个事物之间都存在直接关系，也不是所有关系都已经存在于知识图谱中)。而对非完全图的知识图进行补全推理自然的就在图中可能存在的边和可能存在的点上进行。
现在已有的知识图谱推理方法中，大量的使用到了知识嵌入的推理的方法；这种推理方法的优点在与可以通过知识图谱中的实体和关系的向量化，来对知识图谱中的数据进行特征计算和网络训练，通过训练网络来对知识图谱中已有信息进行收集，这样将可以把已有的知识图谱中存在的关系保存到神经网络中。在具体的任务中，利用这样已经保存已有知识图谱实体和关系信息的神经网络对知识图谱进行推理，具体的如节点分类和链接预测。
将知识图谱中的节点信息和关系信息进行向量化后在向量空间中进行投影是常用的知识图谱嵌入方式(TansE)。语言信息从字到句子再到段是低维度的信息，而由语言中的实体和关系构成的知识图谱构成的低纬度的信息通过向量化后升维为高维度的信息后能很好的与已有的神经网络技术进行结合。而神经网络中的卷积神经网络和其他相关算法在训练过程中都将训练集中的有用信息保存到了网络参数当中。基于嵌入的知识图谱推理方式也是基于神经网络的学习特性来进行链接预测推理的。
但是基于神经网络的算法都有其不可解释性原理的问题，并且在知识图谱的信息获取中由于卷积算法的存在，是的获取信息只能是机械和获取卷积中心对应感受野实体数据的信息。由于知识图谱的特殊性，目标与周围的实体的复杂结构关系在卷积运算中将存在信息的丢失。因此存在只接受固定范围信息和特性信息丢失的问题。
因此，本发明设计了一种采用图神经网络结合知识图谱结构信息的知识图谱推理关系预测方法，在语义信息的知识推理模型中，加入目标节点周围结构信息训练模块，在最终的链接推理评分中进行调整，使得整个模型从知识图谱中获得信息将更加的丰富，进一步提高知识图谱链接关系推理的准确率。
发明内容
知识图谱推理关系预测主要包含五个步骤：知识图谱加载、目标头尾节点选定、图谱信息获取并计算候选关系、关系结果评分的确定推理结果。本发明主要针对图谱信息获取过程，提出一种基于图神经网络的知识图谱推理关系预测方法。该方法基于图神经网络首先对知识图谱目标节点周围的语义信息进行获取，同时利用同构信息理论，对知识图谱目标节点周围的结构信息进行获取，最终采用注意力机制对知识图谱中的语义信息和结构信息在评分函数进行融合，最终得到推理的关系预测结果。方法步骤如下：
(1)首先对需要进行推理补全的知识图谱进行加载，将知识图谱的语义信息采用向量嵌入的方式加载，结构信息转变为向量之间的关系；
(2)对知识图谱中的头实体和尾实体进行选定，确定待推理补全的关系位置，提供注意力参数；
(3)利用图卷积神经网络对目标节点周围的语义信息进行收集，计算出不同候选关系的向量结果；
(4)同时利用图神经网络对目标节点周围的结构信息进行获取，计算出不同候选关系的结构结果；
(5)使用评分函数分别对语义信息和结构信息结果进行评分；
(6)使用注意力机制对两个评分函数值进行融合；
(7)通过最后的候选关系评分值得出最终的推理预测关系结果。
相比与传统的知识图谱推理关系预测方法，本发明对知识图谱信息获取的方式主要结合图结构信息的图神经网络的关系预测模型，由知识图谱嵌入、目标实体选取、从头实体到尾实体的卷积关系学习、候选关系评分、目标实体周围结构抽取、对图结构进行评分、最终利用网络对知识进行学习，能够提取到知识图谱中更多的信息。
附图说明
图1为本发明的主要算法结构图。
图2为本发明的知识图谱语义信息获取流程图。
图3为本发明的语义信息知识推理流程。
图4为本发明的知识图谱结构信息获取算法流程图。
图5为本发明的知识图谱结构信息获取的示例。
具体实施方式
下面将结合本发明实例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。
如图1所示，本发明主要是结合知识图谱中的结构信息联合知识图谱的语义和注意力机制，以实现知识图谱中的未知关系推理预测。在进行知识图谱语义信息获取的过程中，同时使用同构信息理论对目标头尾实体周围的结构信息进行提取，对目标关系周围的知识图谱进行注意力信息采集，通过注意力机制有效融合，以提升知识图谱推理关系预测的准确度。具体实体方式如下：
步骤一：图神经网络进行知识图谱语义信息获取
本发明的语义信息获取，首先利用知识图谱嵌入的方法完成知识图谱数据到向量空间的映射，利用基于空间的图神经网络对从头实体到尾实体之间的可能的关系进行卷积探索，首先引入知识图谱嵌入；对探索结果与原来的图谱进行对照评分，利用评分对推理网络进行训练。最终实现知识图谱中未知实体间关系的推理。
在引入知识图嵌入之后，采用图卷积神经网络的思想对知识图谱中的信息进行获取，进而进行知识图谱链接预测的推理。首先对于包含多重关系的知识图谱进行建模，用G＝(V,ε,R)表示整个知识图谱，其中实体向量vi∈V，关系类型R包含多种关系r∈R，有两个不同实体和一种关系组成了三元组关系对(vi,r,vj)∈ε。
图神经网络是基于热力学传播转化而来的可微的信息传播模型。进行知识图谱链接推理的图神经网络是基础的图神经网络GCNs的一种变体，GCNs中的消息传播模型如公式(1)所示。
Figure BDA0002998356230000031
其中
Figure BDA0002998356230000032
是实体变量vi在隐藏层中的第l层的值，并且是d维的空间中的变量，即
Figure BDA0002998356230000033
公式(2)表示隐层的下一层结果由这一层的隐藏值进行两两线性变换θm得来的，θm一般采用权重矩阵W来进行线性变换，如下式所示。σ(·)而则是神经网络中使用的激活函数，如ReLU。
Figure BDA0002998356230000041
在GCN基础上，定义了在多重关系图中的关于实体变量vi的信息传递模型，如公式(3)所示。
Figure BDA0002998356230000042
其中
Figure BDA0002998356230000043
是知识图谱中与第i个节点存在关系r∈R的节点的下标集合，这样是为了计算到每重与关系相关的其他知识图谱中的实体。而ci,τ是对于一些特别问题的标准化常数值。
如图2所示，整个链路预测推理模型将通过在结构知识图谱嵌入输入后进行图神经网络层的叠加，最后在提取到一定的特征之后作为结果，在解码器的帮助下进行链接的推理。因为链接预测是预测知识图谱G＝(V,ε,R)中本来不存在的边，在进行卷积计算后，通过与原有的实体对应的变化后的实体进行遍历匹配关系后的可能存在的关系(s,r,o)进行评分得到最终的推理关系结果。
使用DisMult评分体系中的评分函数如公式(4)所示。
Figure BDA0002998356230000044
对于在训练时如何使得已有的正确关系对隐藏层进行反馈，主要是用负采样的方式来进行。对于正样本进行ω的负采样，对于负样本使用对其他实体进行随机的损失一部分值。利用交叉熵优化后的损失函数如公式(5)所示。
Figure BDA0002998356230000045
其中是所有缺失的三元组的集合。
利用知识图谱语义信息进行知识图谱中的关系推理流程如图3所示。
步骤二：图神经网络进行知识图谱中图结构信息获取
在图的语义信息提取上，需要根据需求首先要找到知识图谱中的目标头实体和目标尾实体。之后再利用图神经网络算法，卷积算法或者是注意力算法来对目标实体周围的信息进行收集，之后再进行特征化，来更新网络的参数。
如图4所示：借助知识图谱语义信息收集的算法的步骤，本发明提出在确定知识图谱中目标实体后的知识图谱图结构信息提取方法，此方法主要是在捕捉目标节点周围的知识图谱的一定的结构性，将这部分结构信息使用归纳学习的方式来对知识图谱未知关系预测进行信息收集。
如图5所示：根据知识图谱的图的特性，图的结构特性一定是与目标节点周围的节点组合在一起才能构成的图的一部分，本发明提出：选取目标头实体节点和尾实体节点周围的1跳到3跳的部分子图为有效图结构，对于跳数过多或者是与目标节点过于远的结构信息对目标范围的信息贡献在理论上是逐渐减弱的。
而根据图谱的同构信息理论，在训练集中如果是正确的关系那么头尾实体周围的图结构再加上正确关系这条边那么将构成的是一个可忽略空间位置的整体子图结构。
步骤三：注意力机制信息融合
在步骤一的知识图谱信息抽取方法获得图谱的语义信息之后，再联合DisMul评分函数，将可以得的关于一组测试的三元组中加入的关系的评分，而根据步骤二的图结构信息抽取的方法训练出的图神经网络将也能同时获得这一组测试三元组的评分，而最后的评分将决定本发明提出的模型的给出的最终预测评分；而评分的正确分布将提高模型的效果。所以需要一个方法将图语义信息和结构信息获得的评分值进行融合；融合是使用的注意力参数获取如公式(6)所示。
Figure BDA0002998356230000051
上式中n为可打节点是否大于3的值，d1和d2分别为目标头实体和尾实体的节点度。
步骤四：评分值得出知识图谱推理结果
在完成知识图谱目标结构信息和语义信息的融合后，对候选实体的结果进行评分，这个评分既是在训练中对模型的反馈，也是在进行预测中推理模型最终推理结果的依据。在对目标节点周围信息进行表示信息的聚合收集。其中第k层的表示信息的图神经网络表示公式(7)和公式(8)所示。
Figure BDA0002998356230000061
Figure BDA0002998356230000062
公式(7)中
Figure BDA0002998356230000063
节点t来自k领域的聚合信息，N(t)表示节点t的1跳领域节点。式中
Figure BDA0002998356230000064
表示第k层的隐藏信息，由上一层的隐藏层信息和本层的聚合信息结合计算得出。
公式(8)中的AGGREGATE聚合计算定义如公式(9)所示。
Figure BDA0002998356230000065
其中R是知识图谱中已知关系的总数，Nr(t)表示即是一跳邻接点并且为关系r的集合，是关系r在第k层的关系转化矩阵，
Figure BDA0002998356230000066
是节点周围关系的权重矩阵。COMBINE方法如公式(10)所示。
Figure BDA0002998356230000067
通过GNN神经网络L层变化后得到目标节点的L层的结构信息，最终的值通过取最后一层的平均值来获得，如公式(11)所示。
Figure BDA0002998356230000068
其中V表示在图谱
Figure BDA0002998356230000069
的顶点的集合。最终通过目标节点u,v的潜在特征表示
Figure BDA00029983562300000610
u,v周围结构信息和节点u,v的关系嵌入向量来综合计算出评分值。
如公式(12)所示。
Figure BDA00029983562300000611
最后对评分值进行排序，将评分值最高的候选关系作为知识图谱推理的结果。尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围。凡采用等同替换或等效替换，这些变化是显而易见，一切利用本发明构思的发明创造均在保护之列。

Claims (5)

1.一种基于图神经网络的知识图谱推理关系预测方法。该方法目标是对知识图谱中未知关系进行推理预测，方法的步骤如下：
步骤1：首先对需要进行推理补全的知识图谱进行加载，将知识图谱的语义信息采用向量嵌入的方式加载，结构信息转变为向量之间的关系；
步骤2：对知识图谱中的头实体和尾实体进行选定，确定待推理补全的关系位置，提供注意力参数；
步骤3：利用图卷积神经网络对目标节点周围的语义信息进行收集，计算出不同候选关系的向量结果；
步骤4：同时利用图神经网络对目标节点周围的结构信息进行获取，计算出不同候选关系的结构结果；
步骤5：使用评分函数分别对语义信息和结构信息结果进行评分；
步骤6：使用注意力机制对两个评分函数值进行融合；
步骤7：通过最后的候选关系评分值得出最终的推理预测关系结果。
2.根据权利要求1所述的一种基于图神经网络的知识图谱推理关系预测方法，其特征在于所述步骤3中对知识图谱进行语义信息提取的方法具体为：
步骤3.1：语义信息获取的传播模型
引入知识图嵌入之后，采用图卷积神经网络的思想对知识图谱中的信息进行获取，进而进行知识图谱链接预测的推理；首先对于包含多重关系的知识图谱进行建模，用G＝(V,ε,R)表示整个知识图谱，其中实体向量vi∈V，关系类型R包含多种关系r∈R，有两个不同实体和一种关系组成了三元组关系对(vi,r,vj)∈ε；
图神经网络是基于热力学传播转化而来的可微的信息传播模型；进行知识图谱链接推理的图神经网络是基础的图神经网络GCNs的一种变体，GCNs中的消息传播模型如公式(1)所示：
Figure FDA0002998356220000011
其中
Figure FDA0002998356220000012
是实体变量vi在隐藏层中的第l层的值，并且是d维的空间中的变量，即
Figure FDA0002998356220000013
公式(1)表示隐层的下一层结果由这一层的隐藏值进行两两线性变换θm得来的，θm一般采用权重矩阵W来进行线性变换，如公式(2)所示；σ(·) 而则是神经网络中使用的激活函数，如ReLU，
Figure FDA0002998356220000021
在GCN基础上，定义了在多重关系图中的关于实体变量vi的信息传递模型，如公式(3)所示：
Figure FDA0002998356220000022
其中
Figure FDA0002998356220000023
是知识图谱中与第i个节点存在关系r∈R的节点的下标集合，这样是为了计算到每重与关系相关的其他知识图谱中的实体；而ci,τ是对于一些特别问题的标准化常数值；
步骤3.2：语义信息网络评分函数
链接预测是预测知识图谱G＝(V,ε,R)中本来不存在的边，在进行卷积计算后，通过与原有的实体对应的变化后的实体进行遍历匹配关系后的可能存在的关系(s,r,o)进行评分得到最终的推理关系结果；
使用DisMult评分体系中的评分函数如公式(4)所示：
Figure FDA0002998356220000024
步骤3.3：语义信息网络损失函数设计
对于在训练时如何使得已有的正确关系对隐藏层进行反馈，主要是用负采样的方式来进行；对于正样本进行的负采样，对于负样本使用对其他实体进行随机的损失一部分值；利用交叉熵优化后的损失函数如式下所示：
Figure FDA0002998356220000025
其中是所有缺失的三元组的集合。
3.根据权利要求1所述的一种基于图神经网络的知识图谱推理关系预测方法，其特征在于所述步骤4中对知识图谱进行结构信息获取的方法具体为：
具体的获得的方式是在目标节点u,v上同时获取K-hop的知识图谱信息Nk(v)和Nk(u)，然后取Nk(v)和Nk(u)这两个无向领域集合的交集组成包含u,v实体的图结构；
在获取图结构后为方便图神经网络的计算，通过双标记的方法来对已提取了的结构中的实体进行标记，对目标节点u,v周围的三元组进行最短跳数距离标记(d(i,u),d(i,v))；其中d(i,u)为节点i和u的距离；这样就获得抽取图结构中其他节点与目标节点的相对位置；
在获得知识图谱结构信息后进行图神经网络的学习；对目标节点周围信息进行表示信息的聚合收集；其中第k层的表示信息的图神经网络表示如公式(6)、公式(7)所示：
Figure FDA0002998356220000031
Figure FDA0002998356220000032
公式(6)中
Figure FDA0002998356220000033
节点t来自k领域的聚合信息，N(t)表示节点t的1跳领域节点；式中
Figure FDA0002998356220000034
表示第k层的隐藏信息，由上一层的隐藏层信息和本层的聚合信息结合计算得出；
公式(7)中的AGGREGATE聚合计算定义如公式(8)所示；
Figure FDA0002998356220000035
其中R是知识图谱中已知关系的总数，Nr(t)表示即是一跳邻接点并且为关系r的集合，是关系r在第k层的关系转化矩阵，
Figure FDA0002998356220000036
是节点周围关系的权重矩阵。
4.根据权利要求2所述的一种基于图神经网络的知识图谱推理关系预测方法，其特征在于所述步骤6使用的注意力机制参数具体指：
Figure FDA0002998356220000037
公式(9)中n为可打节点是否大于3的值，d1和d2分别为目标头实体和尾实体的节点度。
5.根据权利要求2所述的一种基于图神经网络的知识图谱推理关系预测方法，其特征在于所述步骤7使用的评分函数具体指：
COMBINE方法如公式(10)所示：
Figure FDA0002998356220000041
通过GNN神经网络L层变化后得到目标节点的L层的结构信息，最终的值通过取最后一层的平均值来获得，如公式(11)所示：
Figure FDA0002998356220000042
其中V表示在图谱
Figure FDA0002998356220000043
的顶点的集合，最终通过目标节点u,v的潜在特征表示
Figure FDA0002998356220000044
u,v周围结构信息和节点u,v的关系嵌入向量来综合计算出评分值；如公式(12)所示：
Figure FDA0002998356220000045
最后对评分值进行排序，将评分值最高的候选关系作为知识图谱推理的结果。
CN202110337986.1A 2021-03-30 2021-03-30 一种基于图神经网络的知识图谱推理关系预测方法 Pending CN113010691A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110337986.1A CN113010691A (zh) 2021-03-30 2021-03-30 一种基于图神经网络的知识图谱推理关系预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110337986.1A CN113010691A (zh) 2021-03-30 2021-03-30 一种基于图神经网络的知识图谱推理关系预测方法

Publications (1)

Publication Number Publication Date
CN113010691A true CN113010691A (zh) 2021-06-22

Family

ID=76409147

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110337986.1A Pending CN113010691A (zh) 2021-03-30 2021-03-30 一种基于图神经网络的知识图谱推理关系预测方法

Country Status (1)

Country Link
CN (1) CN113010691A (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113268612A (zh) * 2021-06-25 2021-08-17 中国人民解放军国防科技大学 基于均值融合的异构信息网知识图谱补全方法和装置
CN113360624A (zh) * 2021-06-30 2021-09-07 北京百度网讯科技有限公司 训练方法、应答方法、装置、电子设备以及存储介质
CN113420163A (zh) * 2021-06-25 2021-09-21 中国人民解放军国防科技大学 基于矩阵融合的异构信息网知识图谱补全方法和装置
CN113468077A (zh) * 2021-09-06 2021-10-01 北京无疆脑智科技有限公司 认知能力测试方法、装置、电子设备和存储介质
CN113570058A (zh) * 2021-09-22 2021-10-29 航天宏康智能科技(北京)有限公司 推荐方法和装置
CN113641829A (zh) * 2021-07-13 2021-11-12 北京百度网讯科技有限公司 图神经网络的训练与知识图谱的补全方法、装置
CN113656594A (zh) * 2021-08-17 2021-11-16 河南工业大学 一种基于飞行器维修的知识推理方法
CN113780002A (zh) * 2021-08-13 2021-12-10 北京信息科技大学 基于图表示学习和深度强化学习的知识推理方法及装置
CN113783874A (zh) * 2021-09-10 2021-12-10 国网电子商务有限公司 基于安全知识图谱的网络安全态势评估方法及系统
CN113824707A (zh) * 2021-09-13 2021-12-21 厦门吉快科技有限公司 一种基于知识图谱的网站性能拨测度量方法和装置
CN114417939A (zh) * 2022-01-27 2022-04-29 中国人民解放军32802部队 一种基于知识图谱的干扰策略生成方法
CN114491080A (zh) * 2022-02-28 2022-05-13 中国人民解放军国防科技大学 一种面向人物关系网络的未知实体关系推断方法
CN114564623A (zh) * 2022-03-10 2022-05-31 天津大学 基于实体与关系聚合图的知识图谱嵌入模型
CN114881329A (zh) * 2022-05-09 2022-08-09 山东大学 一种基于引导图卷积神经网络的轮胎质量预测方法及系统
WO2023051400A1 (zh) * 2021-09-29 2023-04-06 浙江大学 一种可微的挖掘常量规则的方法
CN116484026A (zh) * 2023-06-20 2023-07-25 中科聚信信息技术（北京）有限公司 基于知识图谱的人物关系推理方法、装置及电子设备
CN116564408A (zh) * 2023-04-28 2023-08-08 上海科技大学 基于知识图谱推理的合成致死基因对预测方法、装置、设备及介质
CN116684200A (zh) * 2023-07-31 2023-09-01 北京天防安全科技有限公司 网络安全漏洞的攻击模式的知识补全方法及系统
CN117131936A (zh) * 2023-10-26 2023-11-28 天津工业大学 一种基于多层级类比推理的知识图谱嵌入方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180247209A1 (en) * 2017-02-28 2018-08-30 Accenture Global Solutions Limited Interpretation of predictive models using semantic grouping
CN110968701A (zh) * 2019-11-05 2020-04-07 量子数聚（北京）科技有限公司 用于图神经网络的关系图谱建立方法以及装置、设备
CN112148888A (zh) * 2020-09-18 2020-12-29 南京邮电大学 基于图神经网络的知识图谱构建方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180247209A1 (en) * 2017-02-28 2018-08-30 Accenture Global Solutions Limited Interpretation of predictive models using semantic grouping
CN110968701A (zh) * 2019-11-05 2020-04-07 量子数聚（北京）科技有限公司 用于图神经网络的关系图谱建立方法以及装置、设备
CN112148888A (zh) * 2020-09-18 2020-12-29 南京邮电大学 基于图神经网络的知识图谱构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KAI NIE等: "Knowledge Reasoning Method for Military Decision Support Knowledge Graph Mixing Rule and Graph Neural Networks Learning together", 《 2020 CHINESE AUTOMATION CONGRESS (CAC)》 *
官赛萍等: "面向知识图谱的知识推理研究进展", 《软件学报》 *

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420163A (zh) * 2021-06-25 2021-09-21 中国人民解放军国防科技大学 基于矩阵融合的异构信息网知识图谱补全方法和装置
CN113268612A (zh) * 2021-06-25 2021-08-17 中国人民解放军国防科技大学 基于均值融合的异构信息网知识图谱补全方法和装置
CN113360624A (zh) * 2021-06-30 2021-09-07 北京百度网讯科技有限公司 训练方法、应答方法、装置、电子设备以及存储介质
CN113360624B (zh) * 2021-06-30 2022-06-21 北京百度网讯科技有限公司 训练方法、应答方法、装置、电子设备以及存储介质
CN113641829A (zh) * 2021-07-13 2021-11-12 北京百度网讯科技有限公司 图神经网络的训练与知识图谱的补全方法、装置
CN113641829B (zh) * 2021-07-13 2023-11-24 北京百度网讯科技有限公司 图神经网络的训练与知识图谱的补全方法、装置
CN113780002B (zh) * 2021-08-13 2023-11-28 北京信息科技大学 基于图表示学习和深度强化学习的知识推理方法及装置
CN113780002A (zh) * 2021-08-13 2021-12-10 北京信息科技大学 基于图表示学习和深度强化学习的知识推理方法及装置
CN113656594A (zh) * 2021-08-17 2021-11-16 河南工业大学 一种基于飞行器维修的知识推理方法
CN113468077A (zh) * 2021-09-06 2021-10-01 北京无疆脑智科技有限公司 认知能力测试方法、装置、电子设备和存储介质
CN113783874A (zh) * 2021-09-10 2021-12-10 国网电子商务有限公司 基于安全知识图谱的网络安全态势评估方法及系统
CN113783874B (zh) * 2021-09-10 2023-08-29 国网数字科技控股有限公司 基于安全知识图谱的网络安全态势评估方法及系统
CN113824707A (zh) * 2021-09-13 2021-12-21 厦门吉快科技有限公司 一种基于知识图谱的网站性能拨测度量方法和装置
CN113570058A (zh) * 2021-09-22 2021-10-29 航天宏康智能科技(北京)有限公司 推荐方法和装置
WO2023051400A1 (zh) * 2021-09-29 2023-04-06 浙江大学 一种可微的挖掘常量规则的方法
CN114417939B (zh) * 2022-01-27 2022-06-28 中国人民解放军32802部队 一种基于知识图谱的干扰策略生成方法
CN114417939A (zh) * 2022-01-27 2022-04-29 中国人民解放军32802部队 一种基于知识图谱的干扰策略生成方法
CN114491080A (zh) * 2022-02-28 2022-05-13 中国人民解放军国防科技大学 一种面向人物关系网络的未知实体关系推断方法
CN114564623B (zh) * 2022-03-10 2023-09-26 天津大学 基于实体与关系聚合图的知识图谱嵌入模型
CN114564623A (zh) * 2022-03-10 2022-05-31 天津大学 基于实体与关系聚合图的知识图谱嵌入模型
CN114881329A (zh) * 2022-05-09 2022-08-09 山东大学 一种基于引导图卷积神经网络的轮胎质量预测方法及系统
CN116564408A (zh) * 2023-04-28 2023-08-08 上海科技大学 基于知识图谱推理的合成致死基因对预测方法、装置、设备及介质
CN116564408B (zh) * 2023-04-28 2024-03-01 上海科技大学 基于知识图谱推理的合成致死基因对预测方法、装置、设备及介质
CN116484026B (zh) * 2023-06-20 2023-10-31 中科聚信信息技术（北京）有限公司 基于知识图谱的人物关系推理方法、装置及电子设备
CN116484026A (zh) * 2023-06-20 2023-07-25 中科聚信信息技术（北京）有限公司 基于知识图谱的人物关系推理方法、装置及电子设备
CN116684200A (zh) * 2023-07-31 2023-09-01 北京天防安全科技有限公司 网络安全漏洞的攻击模式的知识补全方法及系统
CN116684200B (zh) * 2023-07-31 2023-09-26 北京天防安全科技有限公司 网络安全漏洞的攻击模式的知识补全方法及系统
CN117131936A (zh) * 2023-10-26 2023-11-28 天津工业大学 一种基于多层级类比推理的知识图谱嵌入方法
CN117131936B (zh) * 2023-10-26 2024-01-30 天津工业大学 一种基于多层级类比推理的知识图谱嵌入方法

Similar Documents

Publication Publication Date Title
CN113010691A (zh) 一种基于图神经网络的知识图谱推理关系预测方法
CN112925989B (zh) 一种属性网络的群体发现方法及系统
CN102594909B (zh) 基于共邻矩阵谱信息的多目标社区检测方法
CN107391512B (zh) 知识图谱预测的方法和装置
CN110569901A (zh) 一种基于通道选择的对抗消除弱监督目标检测方法
CN112232413B (zh) 基于图神经网络与谱聚类的高维数据特征选择方法
CN111476261A (zh) 一种社区增强的图卷积神经网络方法
CN113255895A (zh) 基于图神经网络表示学习的结构图对齐方法和多图联合数据挖掘方法
CN112765415A (zh) 基于关系内容联合嵌入卷积神经网络的链路预测方法
CN113190688A (zh) 基于逻辑推理和图卷积的复杂网络链接预测方法及系统
CN113297429A (zh) 一种基于神经网络架构搜索的社交网络链路预测方法
Huang et al. Ponas: Progressive one-shot neural architecture search for very efficient deployment
Goh et al. Combining reinforcement learning and optimal transport for the traveling salesman problem
Yao et al. Reversible action design for combinatorial optimization with reinforcement learning
Costa et al. Demonstrating the Evolution of GANs through t-SNE
CN116933141B (zh) 一种基于多核图学习的多光谱激光雷达点云分类方法
CN113989544A (zh) 一种基于深度图卷积网络的群体发现方法
CN109492770A (zh) 一种基于个性化关系排序的属性网络嵌入方法
CN112989526A (zh) 一种基于核极限学习机的航空网络关键节点识别方法
Sinha et al. Neural architecture search using covariance matrix adaptation evolution strategy
CN115346055A (zh) 一种基于多核宽度图神经网络特征提取与分类方法
CN114756713A (zh) 一种基于多源交互融合的图表示学习方法
CN112465253B (zh) 一种城市路网中的链路预测方法及装置
CN104537665A (zh) 基于多局部搜索的遗传聚类图像分割方法
Zhang et al. Semantic Segmentation of Spectral Lidar Point Clouds Based on Neural Architecture Search

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210622

WD01 Invention patent application deemed withdrawn after publication