CN113672741A - 一种信息的处理方法、装置及设备 - Google Patents

Abstract

本说明书实施例公开了一种信息的处理方法、装置及设备，所述方法包括：获取待补全的知识图谱中包含的节点的信息；基于每个节点所在的位置，获取每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息；对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息；基于所述转换后的不同节点对应的关系过滤信息，以及预设的目标函数和损失函数，确定所述知识图谱中的不同的节点之间存在的关联关系，基于所述知识图谱中的不同的节点之间存在的关联关系对所述知识图谱进行补全处理。

Description

一种信息的处理方法、装置及设备

技术领域

本文件涉及计算机技术领域，尤其涉及一种信息的处理方法、装置及设备。

背景技术

随着移动互联网的发展，万物互联成为了可能，而基于上述互联所产生的数据也在爆发式地增长，该数据恰好可以作为数据分析的有效原料。以往的智能分析往往专注于某一个个体上，在移动互联网时代，除了需要专注于个体外，不同个体之间的关系也必然成为我们需要深入分析的重要部分，从而知识图谱就成了很好的实现方式。

知识超图是知识图谱的一种扩展，其主要不同在于在知识超图中，关系可以建立在超过两个实体上。由于很多实际业务(如交易的风险防控业务等)中存储相应的业务决策机制，不同的业务决策机制往往由具体的事件驱动，而一个事件中通常会涉及到主动方、被动房、设备、地点等多个不同的实体。对于多个不同的实体之间是否存在关联，成为知识图谱能够进一步应用的前提，进而就需要提供一种能够支持在知识图谱上进行未知信息推理的知识图谱补全机制。

发明内容

本说明书实施例的目的是提供一种能够支持在知识图谱上进行未知信息推理的知识图谱补全机制。

为了实现上述技术方案，本说明书实施例是这样实现的：

本说明书实施例提供的一种信息的处理方法，所述方法包括：获取待补全的知识图谱中包含的节点的信息。基于每个节点所在的位置，获取每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息。对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息。基于所述转换后的不同节点对应的关系过滤信息，以及预设的目标函数和损失函数，确定所述知识图谱中的不同的节点之间存在的关联关系，基于所述知识图谱中的不同的节点之间存在的关联关系对所述知识图谱进行补全处理。

本说明书实施例提供的一种信息的处理方法，应用于区块链系统，所述方法包括：获取针对知识图谱中的节点所在位置对应的关系过滤规则的信息、用于维度转换的维度转换规则的信息，以及预设的目标函数和损失函数，并基于所述关系过滤规则的信息和所述维度转换规则的信息，以及预设的目标函数和损失函数构建相应的智能合约，向所述区块链系统中部署所述智能合约。获取待补全的目标知识图谱中包含的节点的信息。基于所述智能合约和所述目标知识图谱中包含的每个节点所在的位置，确定每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息。基于所述智能合约中的所述维度转换规则对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息。基于所述智能合约和所述转换后的不同节点对应的关系过滤信息，确定所述目标知识图谱中的不同的节点之间存在的关联关系，基于所述目标知识图谱中的不同的节点之间存在的关联关系对所述目标知识图谱进行补全处理。

本说明书实施例提供的一种信息的处理方法，应用于区块链系统，所述方法包括：获取针对知识图谱中的节点所在位置对应的关系过滤规则的信息、用于维度转换的维度转换规则的信息，以及预设的目标函数和损失函数，并获取预先部署于所述区块链系统中的第一智能合约，所述第一智能合约用于进行模型封装处理和对知识图谱进行补全处理。基于所述第一智能合约对所述关系过滤规则和所述维度转换规则进行封装处理，得到用于对知识图谱进行补全检测的目标模型，并将所述预设的目标函数和损失函数分别设定为所述目标模型的目标函数和损失函数。获取待补全的目标知识图谱中包含的节点的信息。基于所述第一智能合约从所述区块链系统中获取所述目标模型，将所述目标知识图谱中包含的节点的信息输入所述目标模型中，得到所述目标知识图谱中的不同的节点之间存在的关联关系的评分值，并基于所述目标知识图谱中所述评分值超过预设的评分阈值的节点之间的关联关系对所述目标知识图谱进行补全处理。

本说明书实施例提供的一种信息的处理装置，所述装置包括：信息获取模块，获取待补全的知识图谱中包含的节点的信息。关系过滤模块，基于每个节点所在的位置，获取每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息。维度转换模块，对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息。图谱补全模块，基于所述转换后的不同节点对应的关系过滤信息，以及预设的目标函数和损失函数，确定所述知识图谱中的不同的节点之间存在的关联关系，基于所述知识图谱中的不同的节点之间存在的关联关系对所述知识图谱进行补全处理。

本说明书实施例提供的一种信息的处理装置，所述装置为区块链系统中的装置，所述装置包括：合约构建模块，获取针对知识图谱中的节点所在位置对应的关系过滤规则的信息、用于维度转换的维度转换规则的信息，以及预设的目标函数和损失函数，并基于所述关系过滤规则的信息和所述维度转换规则的信息，以及预设的目标函数和损失函数构建相应的智能合约，向所述区块链系统中部署所述智能合约。信息获取模块，获取待补全的目标知识图谱中包含的节点的信息。关系过滤模块，基于所述智能合约和所述目标知识图谱中包含的每个节点所在的位置，确定每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息。维度转换模块，基于所述智能合约中的所述维度转换规则对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息。补全模块，基于所述智能合约和所述转换后的不同节点对应的关系过滤信息，确定所述目标知识图谱中的不同的节点之间存在的关联关系，基于所述目标知识图谱中的不同的节点之间存在的关联关系对所述目标知识图谱进行补全处理。

本说明书实施例提供的一种信息的处理装置，所述装置为区块链系统中的装置，所述装置包括：信息获取模块，获取针对知识图谱中的节点所在位置对应的关系过滤规则的信息、用于维度转换的维度转换规则的信息，以及预设的目标函数和损失函数，并获取预先部署于所述区块链系统中的第一智能合约，所述第一智能合约用于进行模型封装处理和对知识图谱进行补全处理。封装模块，基于所述第一智能合约对所述关系过滤规则和所述维度转换规则进行封装处理，得到用于对知识图谱进行补全检测的目标模型，并将所述预设的目标函数和损失函数分别设定为所述目标模型的目标函数和损失函数。待补信息获取模块，获取待补全的目标知识图谱中包含的节点的信息。图谱补全模块，基于所述第一智能合约从所述区块链系统中获取所述目标模型，将所述目标知识图谱中包含的节点的信息输入所述目标模型中，得到所述目标知识图谱中的不同的节点之间存在的关联关系的评分值，并基于所述目标知识图谱中所述评分值超过预设的评分阈值的节点之间的关联关系对所述目标知识图谱进行补全处理。

本说明书实施例提供的一种信息的处理设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取待补全的知识图谱中包含的节点的信息。基于每个节点所在的位置，获取每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息。对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息。基于所述转换后的不同节点对应的关系过滤信息，以及预设的目标函数和损失函数，确定所述知识图谱中的不同的节点之间存在的关联关系，基于所述知识图谱中的不同的节点之间存在的关联关系对所述知识图谱进行补全处理。

本说明书实施例提供的一种信息的处理设备，所述设备为区块链系统中的设备，所述设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取针对知识图谱中的节点所在位置对应的关系过滤规则的信息、用于维度转换的维度转换规则的信息，以及预设的目标函数和损失函数，并基于所述关系过滤规则的信息和所述维度转换规则的信息，以及预设的目标函数和损失函数构建相应的智能合约，向所述区块链系统中部署所述智能合约。获取待补全的目标知识图谱中包含的节点的信息。基于所述智能合约和所述目标知识图谱中包含的每个节点所在的位置，确定每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息。基于所述智能合约中的所述维度转换规则对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息。基于所述智能合约和所述转换后的不同节点对应的关系过滤信息，确定所述目标知识图谱中的不同的节点之间存在的关联关系，基于所述目标知识图谱中的不同的节点之间存在的关联关系对所述目标知识图谱进行补全处理。

本说明书实施例提供的一种信息的处理设备，所述设备为区块链系统中的设备，所述设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取针对知识图谱中的节点所在位置对应的关系过滤规则的信息、用于维度转换的维度转换规则的信息，以及预设的目标函数和损失函数，并获取预先部署于所述区块链系统中的第一智能合约，所述第一智能合约用于进行模型封装处理和对知识图谱进行补全处理。基于所述第一智能合约对所述关系过滤规则和所述维度转换规则进行封装处理，得到用于对知识图谱进行补全检测的目标模型，并将所述预设的目标函数和损失函数分别设定为所述目标模型的目标函数和损失函数。获取待补全的目标知识图谱中包含的节点的信息。基于所述第一智能合约从所述区块链系统中获取所述目标模型，将所述目标知识图谱中包含的节点的信息输入所述目标模型中，得到所述目标知识图谱中的不同的节点之间存在的关联关系的评分值，并基于所述目标知识图谱中所述评分值超过预设的评分阈值的节点之间的关联关系对所述目标知识图谱进行补全处理。

本说明书实施例还提供了一种存储介质，其中，所述存储介质用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：获取待补全的知识图谱中包含的节点的信息。基于每个节点所在的位置，获取每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息。对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息。基于所述转换后的不同节点对应的关系过滤信息，以及预设的目标函数和损失函数，确定所述知识图谱中的不同的节点之间存在的关联关系，基于所述知识图谱中的不同的节点之间存在的关联关系对所述知识图谱进行补全处理。

本说明书实施例还提供了一种存储介质，其中，所述存储介质用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：获取针对知识图谱中的节点所在位置对应的关系过滤规则的信息、用于维度转换的维度转换规则的信息，以及预设的目标函数和损失函数，并基于所述关系过滤规则的信息和所述维度转换规则的信息，以及预设的目标函数和损失函数构建相应的智能合约，向区块链系统中部署所述智能合约。获取待补全的目标知识图谱中包含的节点的信息。基于所述智能合约和所述目标知识图谱中包含的每个节点所在的位置，确定每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息。基于所述智能合约中的所述维度转换规则对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息。基于所述智能合约和所述转换后的不同节点对应的关系过滤信息，确定所述目标知识图谱中的不同的节点之间存在的关联关系，基于所述目标知识图谱中的不同的节点之间存在的关联关系对所述目标知识图谱进行补全处理。

本说明书实施例还提供了一种存储介质，其中，所述存储介质用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：获取针对知识图谱中的节点所在位置对应的关系过滤规则的信息、用于维度转换的维度转换规则的信息，以及预设的目标函数和损失函数，并获取预先部署于区块链系统中的第一智能合约，所述第一智能合约用于进行模型封装处理和对知识图谱进行补全处理。基于所述第一智能合约对所述关系过滤规则和所述维度转换规则进行封装处理，得到用于对知识图谱进行补全检测的目标模型，并将所述预设的目标函数和损失函数分别设定为所述目标模型的目标函数和损失函数。获取待补全的目标知识图谱中包含的节点的信息。基于所述第一智能合约从所述区块链系统中获取所述目标模型，将所述目标知识图谱中包含的节点的信息输入所述目标模型中，得到所述目标知识图谱中的不同的节点之间存在的关联关系的评分值，并基于所述目标知识图谱中所述评分值超过预设的评分阈值的节点之间的关联关系对所述目标知识图谱进行补全处理。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书一种信息的处理方法实施例；

图2为本说明书一种知识超图的示意图；

图3为本说明书另一种知识超图的示意图；

图4为本说明书又一种知识超图的示意图；

图5为本说明书另一种信息的处理方法实施例；

图6A为本说明书又一种信息的处理方法实施例；

图6B为本说明书一种信息的处理过程示意图；

图7A为本说明书又一种信息的处理方法实施例；

图7B为本说明书另一种信息的处理过程示意图；

图8为本说明书一种信息的处理装置实施例；

图9为本说明书另一种信息的处理装置实施例；

图10为本说明书又一种信息的处理装置实施例；

图11为本说明书一种信息的处理设备实施例。

具体实施方式

本说明书实施例提供一种信息的处理方法、装置及设备。

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

实施例一

如图1所示，本说明书实施例提供一种信息的处理方法，该方法的执行主体可以为服务器，其中，服务器可以是某项业务(如进行交易的业务或金融业务等)的服务器，具体如，该服务器可以是支付业务的服务器，也可以是与金融或即时通讯等相关业务的服务器等。该方法具体可以包括以下步骤：

在步骤S102中，获取待补全的知识图谱中包含的节点的信息。

其中，知识图谱可以是一种揭示实体之间关系的语义网络，知识图谱可以由节点和节点之间的关联关系(即边)构成，通常可以使用“实体”来表达知识图谱中的节点，使用“关系”来表达知识图谱中的边，其中的实体可以是实际存在的事物，具体如，某个人、某个动物、某组织、某地理区域或某种概念(如虚拟事物等)。关系(即知识图谱中的边)可以是用于表达不同实体之间的某种联系或关联，例如，两个实体：用户A和用户B，用户A与用户B是朋友关系，两个实体：组织A和组织B，组织A和组织B是合作关系等，具体可以根据实际情况设定。在实际应用中，知识图谱不仅可以包括如上所述的关系(即边)建立在两个节点(即实体)上所构建的图谱，还可以包括关系(即边)建立在两个以上的节点(即实体)上所构建的图谱，具体如关系(即边)建立在3个节点(即实体)上所构建的图谱、关系(即边)建立在4个节点(即实体)上所构建的图谱或关系(即边)建立在5个节点(即实体)上所构建的图谱等，其中关系(即边)建立在两个以上的节点(即实体)上所构建的图谱可以称为知识超图，知识超图中可以包括节点和超边，可以使用“实体”来表达其中的节点，超边可以表示多个节点之间的关联关系，如图2所示，提供了一种每个超边对应3个节点的知识超图，e1、e2和e3分别为超边，其中，对于其中的任意超边，如超边e2，其中包括三个节点(即三个实体，分别为“张三”、“北京”和“王五”)，超边e2可以表示如张三与王五在北京进行了一项交易等。节点的信息可以包括名称、编码等标识，也可以包括节点所述的类型(如设备类、时间类、位置类等)等，具体可以根据实际情况设定，本说明书实施例对此不做限定。

在实施中，随着移动互联网的发展，万物互联成为了可能，而基于上述互联所产生的数据也在爆发式地增长，该数据恰好可以作为数据分析的有效原料。以往的智能分析往往专注于某一个个体上，在移动互联网时代，除了需要专注于个体外，不同个体之间的关系也必然成为我们需要深入分析的重要部分，从而知识图谱就成了很好的实现方式。

知识超图是知识图谱的一种扩展，其主要不同在于在知识超图中，关系可以建立在超过两个实体上。由于很多实际业务(如交易的风险防控业务等)中存储相应的业务决策机制，不同的业务决策机制往往由具体的事件驱动，而一个事件中通常会涉及到主动方、被动房、设备、地点等多个不同的实体。对于多个不同的实体之间是否存在关联，成为知识图谱能够进一步应用的前提，进而知识图谱补全也成为被广泛研究的课题。知识图谱补全是通过知识图谱中已知的信息来完成对未知信息的推理，在实际应用中，可以通过知识图谱表征的方式进行知识图谱的补全，通过将知识图谱中的实体与关系映射为相应的向量，并通过计算SPO三元组成立的概率来推测知识图谱中的未知信息。同样的补全问题在知识超图上也存在，同样的，需要通过知识超图中的已知信息对知识超图中的未知信息进行推理，此时就需要提供一种能够支持在知识图谱上进行未知信息推理的处理机制。

为了对知识图谱进行补全，以风控交易事件组成的知识超图作为示例，可以如图2所示，包含了三条涉及三个实体的超边，其含义可以为超边E(主动方S，交易地点D，被动方O)，该知识超图的含义可以是表达了三笔交易，即张三在北京与王五交易；王五在广州与李四交易；张三在上海与李四交易。可以通过将多元关系(超边)转换为二元关系，然后，再使用常用的知识图谱补全机制来解决知识超图的补全问题。其中的转换方案可以包括：一种方式为Reification(二元具化)，即创造一个的虚拟节点作为实体来表达多元关系，并将所有多元关系中的实体与该虚拟节点进行连接，其示例如图3所示，其中新创建了三个虚拟实体e1、e2和e3，分别代表三笔交易，然后，将所有与该交易相关联的实体都与该虚拟实体进行相连。该方案可以不需要损失任何信息，但是其中会引入新实体，由于新实体无法提供相应的表征，因此也就无法进行补全。另一种方式为Star to Clique(星型转簇)，即将所有超边中的实体互相构建关系，如图4所示。该方案可以完全将超边转换为实体之间的关系，不会引入额外的信息，但是，从总的信息量来说，该方案会丢失约束关系，比如，通过上述构建的关系只能确定张三在北京进行了交易、王五在北京进行了交易、张三与王五进行了交易，至于上述三个事实描述的是否为同一项交易，就不得而知了。显然，该方式无法在知识图谱补全上得到较好的效果。

为了实现对知识图谱的补全，本说明书实施例提供一种可实现的处理机制，具体可以包括以下内容：

当需要对某知识图谱中不同节点之间是否存在关联关系进行补全时，可以获取该知识图谱中包含的节点的信息。其中，获取的节点的信息可以是该知识图谱中包含的节点中的部分节点，也可以是该知识图谱中的包含的全部节点，例如，如图2所示，可以判断“张三”、“王五”和“上海”三个节点是否存在关联关系，此时，可以仅获取上述三个节点的相关信息，具体可以根据实际情况设定，本说明书实施例对此不做限定。获取的节点的信息可以是包括多种，例如，可以包括节点的标识(如名称、代码等)、属性信息、位置信息、行为信息等，具体可以根据实际情况设定。

在步骤S104中，基于每个节点所在的位置，获取每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息。

其中，关系过滤规则可以是针对不同的节点(即实体)而设置，或者，针对不同的节点所处的位置的不同而设置等，关系过滤规则可以用于刻画不同类型的关联关系与该节点之间的联系，即对于所有的关联关系对应的类型(如知识超图中的超边的类型)来说，该关系过滤规则可以是通用的，即不论是哪一种关联关系对应的类型(如超边的类型)，在给定了相应位置和相应的节点类型后就会对应一个关系过滤规则，例如，有一种超边可以称为交易，其中包括(主动方，被动方，地点)等节点，另有一种超边可以称为登录，其中包括(主动方，设备，时间)等节点，对上述两种类型的超边，其中都包括“主动方”节点，且该节点所在的相对位置在各自的超边中相同，则对于节点“主动方”来说，可以共用同一个关系过滤规则。关系过滤规则可以通过多种不同的方式实现，例如，可以通过文本的方式设置规则内容从而生成关系过滤规则，或者，也可以通过表达式计算、向量计算或矩阵等方式构建关系过滤规则等。

在实施中，对于知识图谱中的一条边(也可以是超边)，该边涉及至少2个节点(即实体)，在实际应用中，很少会存在完全对称的关联关系，即该边涉及的节点的位置往往是不可以随意更换的(如上述图2中，主动方、被动方和交易地点不能随意更换)，因此，在对该边进行表征时还需要考虑位置这一因素，基于此，可以获取多个不同的用户所在的位置，并可以针对每一个位置设置相应的关系过滤规则，即关系过滤规则可以具有位置敏感性。通过上述处理得到待补全的知识图谱中包含的节点的信息后，可以获取每个节点所在的位置信息，例如，包括的节点为用户1、用户2和A城市，则可以获取用户1所在的位置信息，获取用户2所在的位置信息，以及A城市的位置信息A成城市等，具体可以根据实际情况设定，本说明书实施例对此不做限定。此外，还可以获取节点对应的实体的名称或编码等标识，还可以获取节点所属的类型等信息。然后，可以基于每个节点所在的位置的信息，获取每个节点对应的关系过滤规则。针对任意节点，可以使用该节点对应的关系过滤矩规则对该节点进行处理，最终可以得到该节点对应的关系过滤信息，例如，可以根据实际情况，在关系过滤规则中加入指定的算法处理规则，则可以基于该指定的算法对该节点的信息进行相应的计算，最终可以得到相应的结果。通过同样的方式，可以分别得到获取的不同的节点对应的关系过滤信息。

在步骤S106中，对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息。

其中，维度转换可以是将维度不匹配的数据转换为指定维度的转换，维度转换处理可以通过多种方式实现，具体可以根据实际设定，本说明书实施例对此不做限定。

在实施中，通过上述处理，每个节点经过关系过滤规则后，可以得到不同节点对应的关系过滤信息，考虑到不同节点对应的关系过滤信息与关联关系对应的表征可能并不是处于同一维度，因此，可以将不同节点对应的关系过滤信息转换为与关联关系对应的表征具有相同的维度，为此，可以基于关联关系对应的表征所具有的维度信息，对不同的节点对应的关系过滤信息进行维度转换，得到与关联关系对应的表征具有相同维度的关系过滤信息，即可以得到转换后的不同节点对应的关系过滤信息。

在步骤S108中，基于转换后的不同节点对应的关系过滤信息，以及预设的目标函数和损失函数，确定上述知识图谱中的不同的节点之间存在的关联关系，基于该知识图谱中的不同的节点之间存在的关联关系对该知识图谱进行补全处理。

其中，目标函数可以是使用指定的变量来表示的所追求的目标形式，目标函数可以是系统的性能标准。损失函数可以是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。

在实施中，通过上述方式得到不同节点对应的关系过滤信息后，可以获取预设的目标函数和损失函数，并可以通过该目标函数和损失函数对上述不同节点对应的关系过滤信息进行优化，最终可以得到知识图谱中存在的可能性较高的关联关系，从而可以得到知识图谱中的不同的节点之间存在的关联关系。然后，可以基于不同的节点之间存在的关联关系对该知识图谱中缺失的关联关系进行补全，即可以将某两个节点之间存在的关联关系在该知识图谱中补全(即在上述两个节点之间连接一条线(或边))，或者，可以将两个以上的节点之间存在的关联关系在该知识图谱中补全(即在上述两个以上的节点设置一条超边)等。

本说明书实施例提供一种信息的处理方法，在获取到待补全的知识图谱中包含的节点的信息后，基于每个节点所在的位置，获取每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息，然后，对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息，基于转换后的不同节点对应的关系过滤信息，以及预设的目标函数和损失函数，确定知识图谱中的不同的节点之间存在的关联关系，基于知识图谱中的不同的节点之间存在的关联关系对知识图谱进行补全处理，这样，通过位置敏感的关系过滤规则，并直接基于知识图谱的节点进行表示学习，从而克服了由数据转换带来的信息损失或新节点的预测困难问题，而且，可以利用知识图谱中节点的位置信息为不同关联关系、不同位置下的节点进行表征转换，从而使得知识图谱中的关联关系(即边或超边)能够学习到更精准的语义表达，使得知识图谱的补全结果更加准确。

实施例二

如图5所示，本说明书实施例提供一种信息的处理方法，该方法的执行主体可以为服务器，其中，服务器可以是某项业务(如进行交易的业务或金融业务等)的服务器，具体如，该服务器可以是支付业务的服务器，也可以是与金融或即时通讯等相关业务的服务器等。该方法具体可以包括以下步骤：

在步骤S502中，构建不同位置对应的初始关系过滤规则，并构建初始维度转换规则，初始关系过滤规则中包含待确定的第一参数，初始维度转换规则中包括待确定的第二参数。

其中，初始关系过滤规则中可以包括节点所在的位置对应的初始关系过滤矩阵，初始维度转换规则中可以包括预设的初始维度转换矩阵，初始关系过滤矩阵中可以包含待确定的第一参数，初始维度转换矩阵中可以包括待确定的第二参数。初始关系过滤矩阵和初始维度转换矩阵可以预先根据实际情况设定，其中的参数可以随机设定或设定为指定的数值等。初始关系过滤矩阵可以是针对不同的节点而设置，或者，针对不同的节点所处的位置的不同而设置等，初始关系过滤矩阵可以用于刻画不同类型的关联关系与该节点之间的联系，即对于所有的关联关系对应的类型(如知识超图中的超边的类型)来说，该初始关系过滤矩阵可以是通用的，即不论是哪一种关联关系对应的类型(如超边的类型)，在给定了相应位置和相应的节点类型后就会对应一个初始关系过滤矩阵，例如，有一种超边可以称为交易，其中包括(主动方，被动方，地点)等节点，另有一种超边可以称为登录，其中包括(主动方，设备，时间)等节点，对上述两种类型的超边，其中都包括“主动方”节点，且该节点所在的相对位置在各自的超边中相同，则对于节点“主动方”来说，可以共用同一个初始关系过滤矩阵。

在步骤S504中，获取多个不同的第一知识图谱样本，并构建作为负样本使用的第二知识图谱样本，基于第一知识图谱样本和第二知识图谱样本构建图谱训练样本。

在实施中，可以通过多种不同的方式获取多个不同的第一知识图谱样本，例如，可以通过网络爬虫从指定的局域网或指定的数据库中采集一个或多个不同的知识图谱，并可以将采集的知识图谱作为第一知识图谱样本，和/或，可以基于指定的业务数据生成相应的知识图谱，并可以将生成的知识图谱作为第一知识图谱样本等，具体可以根据实际情况设定，本说明书实施例对此不做限定。由于上述获取的第一知识图谱样本通常是实际存在的数据样本，因此，可以将第一知识图谱样本作为正样本。为了使得后续的训练结果更加准确，可以加入负样本，为此，可以通过多种不同的方式构建负样本，例如，可以基于上述获取的指定的业务数据，生成与其对应的正样本不同的样本，并可以将生成样本作为第二知识图谱样本，或者，也可以根据专家经验生成作为负样本使用的第二知识图谱样本等，具体可以根据实际情况设定。可以将第一知识图谱样本和第二知识图谱样本进行组合，得到相应的样本集合，从而构建出图谱训练样本。

需要说明的是，上述知识图谱，以及第一知识图谱样本、第二知识图谱样本和图谱训练样本对应的知识图谱可以包括知识超图，其中的节点可以为知识超图中的实体，节点之间的关联关系可以为知识超图中的超边。

在实际应用中，上述步骤S504中的构建作为负样本使用的第二知识图谱样本的处理可以多种多样，以下再提供一种可选的处理方式，具体可以包括步骤A2和步骤A4的处理。

在步骤A2中，从多个不同的第一知识图谱样本中选取预设的第一数量的第一知识图谱样本。

其中，第一数量可以根据实际情况设定，具体如第一知识图谱样本的总数量的二分之一或四分之三等。

在步骤A4中，分别对第一数量的第一知识图谱样本中的每个第一知识图谱样本中的一个或多个节点进行更换，得到作为负样本使用的第二知识图谱样本。

在实施中，针对第一数量的第一知识图谱样本中的任一第一知识图谱样本，如果该第一知识图谱样本中包括6个节点，则可以从上述6个节点中任选其中的4个节点，然后，可以将选取的4个节点分别更换为其它节点(可以是与上述4个节点完全不同的节点)，更换后的知识图谱可以作为第二知识图谱样本。

在步骤S506中，获取图谱训练样本中包含的样本节点的信息和样本节点之间的关联关系的信息。

在步骤S508中，基于图谱训练样本中包含的样本节点所在的位置，获取图谱训练样本中包含的样本节点所在的位置对应的初始关系过滤规则，并分别基于图谱训练样本中包含的样本节点和图谱训练样本中包含的样本节点对应的初始关系过滤规则，确定图谱训练样本中包含的不同样本节点对应的初始关系过滤信息。

在实施中，如果初始关系过滤规则中可以包括节点所在的位置对应的初始关系过滤矩阵，则基于图谱训练样本中包含的样本节点所在的位置获取到图谱训练样本中包含的样本节点所在的位置对应的初始关系过滤规则后，可以确定图谱训练样本中包含的样本节点对应的节点表征(具体可以为节点的嵌入特征向量或嵌入特征矩阵)，然后，可以将其中的某一样本节点对应的节点表征与该样本节点所在的位置对应的初始关系过滤矩阵相乘，得到的相应结果可以作为该样本节点对应的初始关系过滤信息，通过上述方式，可以得到图谱训练样本中包含的其它样本节点对应的初始关系过滤信息，最终可以基于上述样本节点对应的初始关系过滤信息。

在步骤S510中，基于初始维度转换规则对图谱训练样本中包含的不同样本节点对应的初始关系过滤信息进行维度转换，得到转换后的初始关系过滤信息。

在实施中，如果初始维度转换规则中可以包括预设的初始维度转换矩阵，则可以分别将上述得到的图谱训练样本中包含的每个样本节点对应的初始关系过滤信息与初始维度转换矩阵相乘，以对图谱训练样本中包含的相应样本节点对应的初始关系过滤信息进行维度转换，得到转换后的初始关系过滤信息。

在步骤S512中，基于转换后的初始关系过滤信息、样本节点之间的关联关系的信息，以及预设的目标函数和损失函数，并采用梯度下降算法对初始关系过滤规则和初始维度转换规则进行训练，以确定第一参数和第二参数，得到关系过滤规则和维度转换规则。

其中，梯度下降算法可以包括基于mini-batch的随机梯度下降算法等。

此外，上述关系过滤规则和维度转换规则是设置于相应的步骤中分别执行的，在实际应用中，还可以对关系过滤规则和维度转换规则进行封装处理，得到用于对知识图谱进行补全检测的目标模型，目标模型对应的目标函数和损失函数分别为上述预设的目标函数和损失函数

在实施中，对关系过滤规则和维度转换规则进行封装处理后，关系过滤规则和维度转换规则将被封装在目标模型中，然后，可以通过目标模型中的内容执行逻辑控制关系过滤规则和维度转换规则对输入到目标模型中的数据进行相应的处理，即可以预先构建目标模型的模型架构(即可以构建不同位置对应的初始关系过滤规则，并构建初始维度转换规则，初始关系过滤规则中包含待确定的第一参数，初始维度转换规则中包括待确定的第二参数)，该模型架构中包括待确定的参数，待确定的参数即为上述第一参数和第二参数。然后，通过上述方式获取图谱训练样本，可以将图谱训练样本中包含的样本节点的信息和样本节点之间的关联关系的信息输入到目标模型中，通过目标模型中的初始关系过滤规则和初始维度转换规则，对上述输入数据进行处理，并通过预设的目标函数和损失函数，并采用梯度下降算法对目标模型进行训练，最终得到相应的第一参数和第二参数，从而得到训练后的目标模型，可以使用目标模型对待补全的知识图谱进行补全处理。

在步骤S514中，获取待补全的知识图谱中包含的节点的信息。

其中，知识图谱可以包括知识超图，其中的节点可以为知识超图中的实体，节点之间的关联关系可以为知识超图中的超边。

在步骤S516中，基于每个节点所在的位置，获取每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息。

其中，关系过滤规则中可以包括节点所在的位置对应的关系过滤矩阵。关系过滤矩阵可以是针对不同的节点而设置，或者，针对不同的节点所处的位置的不同而设置等，关系过滤矩阵可以用于刻画不同类型的关联关系与该节点之间的联系，即对于所有的关联关系对应的类型(如知识超图中的超边的类型)来说，该关系过滤矩阵可以是通用的，即不论是哪一种关联关系对应的类型(如超边的类型)，在给定了相应位置和相应的节点类型后就会对应一个关系过滤矩阵，例如，有一种超边可以称为交易，其中包括(主动方，被动方，地点)等节点，另有一种超边可以称为登录，其中包括(主动方，设备，时间)等节点，对上述两种类型的超边，其中都包括“主动方”节点，且该节点所在的相对位置在各自的超边中相同，则对于节点“主动方”来说，可以共用同一个关系过滤矩阵。

在步骤S518中，基于预设的维度转换规则对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息。

其中，维度转换规则中可以包括预设的维度转换矩阵。

在步骤S520中，基于转换后的不同节点对应的关系过滤信息，以及预设的目标函数和损失函数，确定知识图谱中的不同的节点之间存在的关联关系的评分值。

在实际应用中，基于上述内容，还可以将关系过滤规则和维度转换规则进行封装处理，得到用于对知识图谱进行补全检测的目标模型，目标模型对应的目标函数和损失函数分别为预设的目标函数和损失函数，这样，上述处理可以为获取待补全的知识图谱中包含的节点的信息，将待补全的知识图谱中包含的节点的信息输入到上述训练的目标模型中，并基于预设的目标函数和损失函数，最终可以得到知识图谱中的不同的节点之间存在的关联关系的评分值，其中，该评分值可以用于指示某节点之间存在关联关系的可能性程度。

在步骤S522中，获取知识图谱中评分值超过预设的评分阈值的节点之间的关联关系，并将获取的关联关系确定为知识图谱中的不同的节点之间存在的关联关系。

在步骤S524中，基于知识图谱中的不同的节点之间存在的关联关系对该知识图谱进行补全处理。

本说明书实施例提供一种信息的处理方法，在获取到待补全的知识图谱中包含的节点的信息后，基于每个节点所在的位置，获取每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息，然后，对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息，基于转换后的不同节点对应的关系过滤信息，以及预设的目标函数和损失函数，确定知识图谱中的不同的节点之间存在的关联关系，基于知识图谱中的不同的节点之间存在的关联关系对知识图谱进行补全处理，这样，通过位置敏感的关系过滤规则，并直接基于知识图谱的节点进行表示学习，从而克服了由数据转换带来的信息损失或新节点的预测困难问题，而且，可以利用知识图谱中节点的位置信息为不同关联关系、不同位置下的节点进行表征转换，从而使得知识图谱中的关联关系(即边或超边)能够学习到更精准的语义表达，使得知识图谱的补全结果更加准确。

实施例三

如图6A和图6B所示，本说明书实施例提供一种信息的处理方法，该方法的执行主体可以为区块链系统，该区块链系统可以由终端设备或服务器等组成，其中，终端设备可以如手机、平板电脑等移动终端设备，还可以如个人计算机等设备。该服务器可以是一个独立的服务器，还可以是由多个服务器构成的服务器集群等。该方法具体可以包括以下步骤：

在步骤S602中，获取针对知识图谱中的节点所在位置对应的关系过滤规则的信息、用于维度转换的维度转换规则的信息，以及预设的目标函数和损失函数，并基于关系过滤规则的信息和维度转换规则的信息，以及预设的目标函数和损失函数构建相应的智能合约，向区块链系统中部署该智能合约。

其中，智能合约可以是一种旨在以信息化方式传播、验证或执行合同的计算机协议，智能合约允许在没有第三方的情况下进行可信交互，进行的上述交互过程可追踪且不可逆转，智能合约中包括合约参与方可以在上面执行合约参与方同意的权利和义务的协议。关系过滤规则中可以包括节点所在的位置对应的关系过滤矩阵，维度转换规则中可以包括预设的维度转换矩阵等。

在实施中，为了使得知识图谱补全的真实性和准确性的可追溯性更好，可以创建或加入指定的区块链系统，这样，可以基于区块链系统对知识图谱的补全进行检测和处理，具体地，区块链节点中可以安装有相应的应用程序，该应用程序可以是用于对节点之间是否存在关联关系进行检测和处理，该应用程序中可以设置有关系过滤规则的信息和维度转换规则的信息，以及目标函数和损失函数的输入框和/或选择框等，可以在上述输入框和/或选择框中设置相应的信息。然后，区块链系统可以接收关系过滤规则的信息和维度转换规则的信息，以及目标函数和损失函数。其中，关系过滤规则和维度转换规则可以预先通过训练等方式得到，具体可以参见前述相关内容，在此不再赘述。区块链系统可以基于关系过滤规则的信息和维度转换规则的信息，以及预设的目标函数和损失函数生成相应的智能合约，并可以向该区块链系统中部署该智能合约，这样，区块链系统中存储了关系过滤规则的信息和维度转换规则的信息，以及预设的目标函数和损失函数和相应的智能合约，其他用户无法篡改该关系过滤规则的信息和维度转换规则的信息，以及预设的目标函数和损失函数和相应的智能合约，而且，区块链系统通过智能合约对待补全的知识图谱进行补全处理。

在步骤S604中，获取待补全的目标知识图谱中包含的节点的信息。

其中，目标知识图谱可以包括知识超图，其中的节点可以为该知识超图中的实体，节点之间的关联关系可以为该知识超图中的超边。

在步骤S606中，基于上述智能合约和目标知识图谱中包含的每个节点所在的位置，确定每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息。

在步骤S608中，基于上述智能合约中的维度转换规则对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息。

在步骤S610中，基于上述智能合约和转换后的不同节点对应的关系过滤信息，确定目标知识图谱中的不同的节点之间存在的关联关系，基于目标知识图谱中的不同的节点之间存在的关联关系对目标知识图谱进行补全处理。

本说明书实施例提供一种信息的处理方法，获取针对知识图谱中的节点所在位置对应的关系过滤规则的信息、用于维度转换的维度转换规则的信息，以及预设的目标函数和损失函数，并基于关系过滤规则的信息和维度转换规则的信息，以及预设的目标函数和损失函数构建相应的智能合约，向区块链系统中部署智能合约，然后，在获取到待补全的目标知识图谱中包含的节点的信息时，基于智能合约和目标知识图谱中包含的每个节点所在的位置，确定每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息，基于智能合约中的维度转换规则对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息，基于智能合约和转换后的不同节点对应的关系过滤信息，确定目标知识图谱中的不同的节点之间存在的关联关系，基于目标知识图谱中的不同的节点之间存在的关联关系对目标知识图谱进行补全处理，这样，通过位置敏感的关系过滤规则，并直接基于知识图谱的节点进行表示学习，从而克服了由数据转换带来的信息损失或新节点的预测困难问题，而且，可以利用知识图谱中节点的位置信息为不同关联关系、不同位置下的节点进行表征转换，从而使得知识图谱中的关联关系(即边或超边)能够学习到更精准的语义表达，使得知识图谱的补全结果更加准确。

实施例四

如图7A和7B所示，本说明书实施例提供一种信息的处理方法，该方法的执行主体可以为区块链系统，该区块链系统可以由终端设备或服务器等组成，其中，终端设备可以如手机、平板电脑等移动终端设备，还可以如个人计算机等设备。该服务器可以是一个独立的服务器，还可以是由多个服务器构成的服务器集群等。该方法具体可以包括以下步骤：

在步骤S702中，获取针对知识图谱中的节点所在位置对应的关系过滤规则的信息、用于维度转换的维度转换规则的信息，以及预设的目标函数和损失函数，并获取预先部署于区块链系统中的第一智能合约，第一智能合约用于进行模型封装处理和对知识图谱进行补全处理。

其中，关系过滤规则中可以包括节点所在的位置对应的关系过滤矩阵，维度转换规则中可以包括预设的维度转换矩阵等。

在步骤S704中，基于第一智能合约对关系过滤规则和维度转换规则进行封装处理，得到用于对知识图谱进行补全检测的目标模型，并将预设的目标函数和损失函数分别设定为目标模型的目标函数和损失函数。

在步骤S706中，获取待补全的目标知识图谱中包含的节点的信息。

其中，目标知识图谱可以包括知识超图，其中的节点可以为该知识超图中的实体，节点之间的关联关系可以为该知识超图中的超边。

在步骤S708中，基于第一智能合约从区块链系统中获取目标模型，将目标知识图谱中包含的节点的信息输入目标模型中，得到目标知识图谱中的不同的节点之间存在的关联关系的评分值，并基于目标知识图谱中评分值超过预设的评分阈值的节点之间的关联关系对目标知识图谱进行补全处理。

本说明书实施例提供一种信息的处理方法，获取针对知识图谱中的节点所在位置对应的关系过滤规则的信息、用于维度转换的维度转换规则的信息，以及预设的目标函数和损失函数，并获取预先部署于区块链系统中的第一智能合约，基于第一智能合约对关系过滤规则和维度转换规则进行封装处理，得到用于对知识图谱进行补全检测的目标模型，并将预设的目标函数和损失函数分别设定为目标模型的目标函数和损失函数，然后，在获取到待补全的目标知识图谱中包含的节点的信息时，基于第一智能合约从区块链系统中获取目标模型，将目标知识图谱中包含的节点的信息输入目标模型中，得到目标知识图谱中的不同的节点之间存在的关联关系的评分值，并基于目标知识图谱中评分值超过预设的评分阈值的节点之间的关联关系对目标知识图谱进行补全处理，这样，通过位置敏感的关系过滤规则，并直接基于知识图谱的节点进行表示学习，从而克服了由数据转换带来的信息损失或新节点的预测困难问题，而且，可以利用知识图谱中节点的位置信息为不同关联关系、不同位置下的节点进行表征转换，从而使得知识图谱中的关联关系(即边或超边)能够学习到更精准的语义表达，使得知识图谱的补全结果更加准确。

实施例五

以上为本说明书实施例提供的信息的处理方法，基于同样的思路，本说明书实施例还提供一种信息的处理装置，如图8所示。

该信息的处理装置包括：信息获取模块801、关系过滤模块802、维度转换模块803和图谱补全模块804，其中：

信息获取模块801，获取待补全的知识图谱中包含的节点的信息；

关系过滤模块802，基于每个节点所在的位置，获取每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息；

维度转换模块803，对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息；

图谱补全模块804，基于所述转换后的不同节点对应的关系过滤信息，以及预设的目标函数和损失函数，确定所述知识图谱中的不同的节点之间存在的关联关系，基于所述知识图谱中的不同的节点之间存在的关联关系对所述知识图谱进行补全处理。

本说明书实施例中，所述知识图谱包括知识超图，所述节点为所述知识超图中的实体，节点之间的关联关系为所述知识超图中的超边。

本说明书实施例中，所述维度转换模块803，基于预设的维度转换规则对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息。

本说明书实施例中，所述关系过滤规则中包括节点所在的位置对应的关系过滤矩阵，和/或，所述维度转换规则中包括预设的维度转换矩阵。

本说明书实施例中，所述装置还包括：

规则构建模块，构建不同位置对应的初始关系过滤规则，并构建初始维度转换规则，所述初始关系过滤规则中包含待确定的第一参数，所述初始维度转换规则中包括待确定的第二参数；

样本获取模块，获取多个不同的第一知识图谱样本，并构建作为负样本使用的第二知识图谱样本，基于所述第一知识图谱样本和所述第二知识图谱样本构建图谱训练样本；

样本信息获取模块，获取所述图谱训练样本中包含的样本节点的信息和样本节点之间的关联关系的信息；

第一处理模块，基于所述图谱训练样本中包含的样本节点所在的位置，获取所述图谱训练样本中包含的样本节点所在的位置对应的初始关系过滤规则，并分别基于所述图谱训练样本中包含的样本节点和所述图谱训练样本中包含的样本节点对应的初始关系过滤规则，确定所述图谱训练样本中包含的不同样本节点对应的初始关系过滤信息；

第二处理模块，基于所述初始维度转换规则对所述图谱训练样本中包含的不同样本节点对应的初始关系过滤信息进行维度转换，得到转换后的初始关系过滤信息；

训练模块，基于所述转换后的初始关系过滤信息、所述样本节点之间的关联关系的信息，以及所述目标函数和损失函数，并采用梯度下降算法对所述初始关系过滤规则和所述初始维度转换规则进行训练，以确定所述第一参数和所述第二参数，得到所述关系过滤规则和所述维度转换规则。

本说明书实施例中，所述样本获取模块，包括：

样本选取单元，从所述多个不同的第一知识图谱样本中选取预设的第一数量的第一知识图谱样本；

样本构建单元，分别对所述第一数量的第一知识图谱样本中的每个所述第一知识图谱样本中的一个或多个节点进行更换，得到作为负样本使用的第二知识图谱样本。

本说明书实施例中，所述梯度下降算法包括基于mini-batch的随机梯度下降算法。

本说明书实施例中，所述装置还包括：

封装模块，对所述关系过滤规则和所述维度转换规则进行封装处理，得到用于对知识图谱进行补全检测的目标模型，所述目标模型对应的目标函数和损失函数分别为所述预设的目标函数和损失函数。

本说明书实施例中，所述图谱补全模块804，包括：

评分单元，基于所述转换后的不同节点对应的关系过滤信息，以及预设的目标函数和损失函数，确定所述知识图谱中的不同的节点之间存在的关联关系的评分值；

图谱补全单元，获取所述知识图谱中所述评分值超过预设的评分阈值的节点之间的关联关系，并将获取的关联关系确定为所述知识图谱中的不同的节点之间存在的关联关系。

本说明书实施例提供一种信息的处理装置，在获取到待补全的知识图谱中包含的节点的信息后，基于每个节点所在的位置，获取每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息，然后，对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息，基于转换后的不同节点对应的关系过滤信息，以及预设的目标函数和损失函数，确定知识图谱中的不同的节点之间存在的关联关系，基于知识图谱中的不同的节点之间存在的关联关系对知识图谱进行补全处理，这样，通过位置敏感的关系过滤规则，并直接基于知识图谱的节点进行表示学习，从而克服了由数据转换带来的信息损失或新节点的预测困难问题，而且，可以利用知识图谱中节点的位置信息为不同关联关系、不同位置下的节点进行表征转换，从而使得知识图谱中的关联关系(即边或超边)能够学习到更精准的语义表达，使得知识图谱的补全结果更加准确。

实施例六

基于同样的思路，本说明书实施例还提供一种信息的处理装置，该装置为区块链系统中的装置，如图9所示。

该信息的处理装置包括：合约构建模块901、信息获取模块902、关系过滤模块903、维度转换模块904和补全模块905，其中：

合约构建模块901，获取针对知识图谱中的节点所在位置对应的关系过滤规则的信息、用于维度转换的维度转换规则的信息，以及预设的目标函数和损失函数，并基于所述关系过滤规则的信息和所述维度转换规则的信息，以及预设的目标函数和损失函数构建相应的智能合约，向所述区块链系统中部署所述智能合约；

信息获取模块902，获取待补全的目标知识图谱中包含的节点的信息；

关系过滤模块903，基于所述智能合约和所述目标知识图谱中包含的每个节点所在的位置，确定每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息；

维度转换模块904，基于所述智能合约中的所述维度转换规则对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息；

补全模块905，基于所述智能合约和所述转换后的不同节点对应的关系过滤信息，确定所述目标知识图谱中的不同的节点之间存在的关联关系，基于所述目标知识图谱中的不同的节点之间存在的关联关系对所述目标知识图谱进行补全处理。

本说明书实施例中，目标知识图谱包括知识超图，其中的节点为所述知识超图中的实体，节点之间的关联关系为所述知识超图中的超边。

本说明书实施例中，所述关系过滤规则中包括节点所在的位置对应的关系过滤矩阵，和/或，所述维度转换规则中包括预设的维度转换矩阵。

本说明书实施例提供一种信息的处理装置，获取针对知识图谱中的节点所在位置对应的关系过滤规则的信息、用于维度转换的维度转换规则的信息，以及预设的目标函数和损失函数，并基于关系过滤规则的信息和维度转换规则的信息，以及预设的目标函数和损失函数构建相应的智能合约，向区块链系统中部署智能合约，然后，在获取到待补全的目标知识图谱中包含的节点的信息时，基于智能合约和目标知识图谱中包含的每个节点所在的位置，确定每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息，基于智能合约中的维度转换规则对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息，基于智能合约和转换后的不同节点对应的关系过滤信息，确定目标知识图谱中的不同的节点之间存在的关联关系，基于目标知识图谱中的不同的节点之间存在的关联关系对目标知识图谱进行补全处理，这样，通过位置敏感的关系过滤规则，并直接基于知识图谱的节点进行表示学习，从而克服了由数据转换带来的信息损失或新节点的预测困难问题，而且，可以利用知识图谱中节点的位置信息为不同关联关系、不同位置下的节点进行表征转换，从而使得知识图谱中的关联关系(即边或超边)能够学习到更精准的语义表达，使得知识图谱的补全结果更加准确。

实施例七

基于同样的思路，本说明书实施例还提供一种信息的处理装置，该装置为区块链系统中的装置，如图10所示。

该信息的处理装置包括：信息获取模块1001、封装模块1002、待补信息获取模块1003和图谱补全模块1004，其中：

信息获取模块1001，获取针对知识图谱中的节点所在位置对应的关系过滤规则的信息、用于维度转换的维度转换规则的信息，以及预设的目标函数和损失函数，并获取预先部署于所述区块链系统中的第一智能合约，所述第一智能合约用于进行模型封装处理和对知识图谱进行补全处理；

封装模块1002，基于所述第一智能合约对所述关系过滤规则和所述维度转换规则进行封装处理，得到用于对知识图谱进行补全检测的目标模型，并将所述预设的目标函数和损失函数分别设定为所述目标模型的目标函数和损失函数；

待补信息获取模块1003，获取待补全的目标知识图谱中包含的节点的信息；

图谱补全模块1004，基于所述第一智能合约从所述区块链系统中获取所述目标模型，将所述目标知识图谱中包含的节点的信息输入所述目标模型中，得到所述目标知识图谱中的不同的节点之间存在的关联关系的评分值，并基于所述目标知识图谱中所述评分值超过预设的评分阈值的节点之间的关联关系对所述目标知识图谱进行补全处理。

本说明书实施例中，所述目标知识图谱包括知识超图，其中的节点为所述知识超图中的实体，节点之间的关联关系为所述知识超图中的超边。

本说明书实施例中，所述关系过滤规则中包括节点所在的位置对应的关系过滤矩阵，和/或，所述维度转换规则中包括预设的维度转换矩阵。

本说明书实施例提供一种信息的处理装置，获取针对知识图谱中的节点所在位置对应的关系过滤规则的信息、用于维度转换的维度转换规则的信息，以及预设的目标函数和损失函数，并获取预先部署于区块链系统中的第一智能合约，基于第一智能合约对关系过滤规则和维度转换规则进行封装处理，得到用于对知识图谱进行补全检测的目标模型，并将预设的目标函数和损失函数分别设定为目标模型的目标函数和损失函数，然后，在获取到待补全的目标知识图谱中包含的节点的信息时，基于第一智能合约从区块链系统中获取目标模型，将目标知识图谱中包含的节点的信息输入目标模型中，得到目标知识图谱中的不同的节点之间存在的关联关系的评分值，并基于目标知识图谱中评分值超过预设的评分阈值的节点之间的关联关系对目标知识图谱进行补全处理，这样，通过位置敏感的关系过滤规则，并直接基于知识图谱的节点进行表示学习，从而克服了由数据转换带来的信息损失或新节点的预测困难问题，而且，可以利用知识图谱中节点的位置信息为不同关联关系、不同位置下的节点进行表征转换，从而使得知识图谱中的关联关系(即边或超边)能够学习到更精准的语义表达，使得知识图谱的补全结果更加准确。

实施例八

以上为本说明书实施例提供的信息的处理装置，基于同样的思路，本说明书实施例还提供一种信息的处理设备，如图11所示。

所述信息的处理设备可以为上述实施例提供的服务器或区块链系统中的设备等。

信息的处理设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器1101和存储器1102，存储器1102中可以存储有一个或一个以上存储应用程序或数据。其中，存储器1102可以是短暂存储或持久存储。存储在存储器1102的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对信息的处理设备中的一系列计算机可执行指令。更进一步地，处理器1101可以设置为与存储器1102通信，在信息的处理设备上执行存储器1102中的一系列计算机可执行指令。信息的处理设备还可以包括一个或一个以上电源1103，一个或一个以上有线或无线网络接口1104，一个或一个以上输入输出接口1105，一个或一个以上键盘1106。

具体在本实施例中，信息的处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对信息的处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

获取待补全的知识图谱中包含的节点的信息；

基于每个节点所在的位置，获取每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息；

对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息；

基于所述转换后的不同节点对应的关系过滤信息，以及预设的目标函数和损失函数，确定所述知识图谱中的不同的节点之间存在的关联关系，基于所述知识图谱中的不同的节点之间存在的关联关系对所述知识图谱进行补全处理。

本说明书实施例中，所述知识图谱包括知识超图，所述节点为所述知识超图中的实体，节点之间的关联关系为所述知识超图中的超边。

本说明书实施例中，所述对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息，包括：

基于预设的维度转换规则对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息。

本说明书实施例中，所述关系过滤规则中包括节点所在的位置对应的关系过滤矩阵，和/或，所述维度转换规则中包括预设的维度转换矩阵。

本说明书实施例中，还包括：

构建不同位置对应的初始关系过滤规则，并构建初始维度转换规则，所述初始关系过滤规则中包含待确定的第一参数，所述初始维度转换规则中包括待确定的第二参数；

获取多个不同的第一知识图谱样本，并构建作为负样本使用的第二知识图谱样本，基于所述第一知识图谱样本和所述第二知识图谱样本构建图谱训练样本；

获取所述图谱训练样本中包含的样本节点的信息和样本节点之间的关联关系的信息；

基于所述图谱训练样本中包含的样本节点所在的位置，获取所述图谱训练样本中包含的样本节点所在的位置对应的初始关系过滤规则，并分别基于所述图谱训练样本中包含的样本节点和所述图谱训练样本中包含的样本节点对应的初始关系过滤规则，确定所述图谱训练样本中包含的不同样本节点对应的初始关系过滤信息；

基于所述初始维度转换规则对所述图谱训练样本中包含的不同样本节点对应的初始关系过滤信息进行维度转换，得到转换后的初始关系过滤信息；

基于所述转换后的初始关系过滤信息、所述样本节点之间的关联关系的信息，以及所述目标函数和损失函数，并采用梯度下降算法对所述初始关系过滤规则和所述初始维度转换规则进行训练，以确定所述第一参数和所述第二参数，得到所述关系过滤规则和所述维度转换规则。

本说明书实施例中，所述构建作为负样本使用的第二知识图谱样本，包括：

从所述多个不同的第一知识图谱样本中选取预设的第一数量的第一知识图谱样本；

分别对所述第一数量的第一知识图谱样本中的每个所述第一知识图谱样本中的一个或多个节点进行更换，得到作为负样本使用的第二知识图谱样本。

本说明书实施例中，所述梯度下降算法包括基于mini-batch的随机梯度下降算法。

本说明书实施例中，还包括：

对所述关系过滤规则和所述维度转换规则进行封装处理，得到用于对知识图谱进行补全检测的目标模型，所述目标模型对应的目标函数和损失函数分别为所述预设的目标函数和损失函数。

本说明书实施例中，所述基于所述转换后的不同节点对应的关系过滤信息，以及预设的目标函数和损失函数，确定所述知识图谱中的不同的节点之间存在的关联关系，包括：

基于所述转换后的不同节点对应的关系过滤信息，以及预设的目标函数和损失函数，确定所述知识图谱中的不同的节点之间存在的关联关系的评分值；

获取所述知识图谱中所述评分值超过预设的评分阈值的节点之间的关联关系，并将获取的关联关系确定为所述知识图谱中的不同的节点之间存在的关联关系。

此外，具体在本实施例中，信息的处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对信息的处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

获取针对知识图谱中的节点所在位置对应的关系过滤规则的信息、用于维度转换的维度转换规则的信息，以及预设的目标函数和损失函数，并基于所述关系过滤规则的信息和所述维度转换规则的信息，以及预设的目标函数和损失函数构建相应的智能合约，向所述区块链系统中部署所述智能合约；

获取待补全的目标知识图谱中包含的节点的信息；

基于所述智能合约和所述目标知识图谱中包含的每个节点所在的位置，确定每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息；

基于所述智能合约中的所述维度转换规则对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息；

基于所述智能合约和所述转换后的不同节点对应的关系过滤信息，确定所述目标知识图谱中的不同的节点之间存在的关联关系，基于所述目标知识图谱中的不同的节点之间存在的关联关系对所述目标知识图谱进行补全处理。

此外，具体在本实施例中，信息的处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对信息的处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

获取针对知识图谱中的节点所在位置对应的关系过滤规则的信息、用于维度转换的维度转换规则的信息，以及预设的目标函数和损失函数，并获取预先部署于所述区块链系统中的第一智能合约，所述第一智能合约用于进行模型封装处理和对知识图谱进行补全处理；

基于所述第一智能合约对所述关系过滤规则和所述维度转换规则进行封装处理，得到用于对知识图谱进行补全检测的目标模型，并将所述预设的目标函数和损失函数分别设定为所述目标模型的目标函数和损失函数；

获取待补全的目标知识图谱中包含的节点的信息；

基于所述第一智能合约从所述区块链系统中获取所述目标模型，将所述目标知识图谱中包含的节点的信息输入所述目标模型中，得到所述目标知识图谱中的不同的节点之间存在的关联关系的评分值，并基于所述目标知识图谱中所述评分值超过预设的评分阈值的节点之间的关联关系对所述目标知识图谱进行补全处理。

本说明书实施例提供一种信息的处理设备，在获取到待补全的知识图谱中包含的节点的信息后，基于每个节点所在的位置，获取每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息，然后，对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息，基于转换后的不同节点对应的关系过滤信息，以及预设的目标函数和损失函数，确定知识图谱中的不同的节点之间存在的关联关系，基于知识图谱中的不同的节点之间存在的关联关系对知识图谱进行补全处理，这样，通过位置敏感的关系过滤规则，并直接基于知识图谱的节点进行表示学习，从而克服了由数据转换带来的信息损失或新节点的预测困难问题，而且，可以利用知识图谱中节点的位置信息为不同关联关系、不同位置下的节点进行表征转换，从而使得知识图谱中的关联关系(即边或超边)能够学习到更精准的语义表达，使得知识图谱的补全结果更加准确。

实施例九

进一步地，基于上述图1和图7B所示的方法，本说明书一个或多个实施例还提供了一种存储介质，用于存储计算机可执行指令信息，一种具体的实施例中，该存储介质可以为U盘、光盘、硬盘等，该存储介质存储的计算机可执行指令信息在被处理器执行时，能实现以下流程：

获取待补全的知识图谱中包含的节点的信息；

基于每个节点所在的位置，获取每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息；

对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息；

基于所述转换后的不同节点对应的关系过滤信息，以及预设的目标函数和损失函数，确定所述知识图谱中的不同的节点之间存在的关联关系，基于所述知识图谱中的不同的节点之间存在的关联关系对所述知识图谱进行补全处理。

本说明书实施例中，所述知识图谱包括知识超图，所述节点为所述知识超图中的实体，节点之间的关联关系为所述知识超图中的超边。

本说明书实施例中，所述对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息，包括：

基于预设的维度转换规则对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息。

本说明书实施例中，所述关系过滤规则中包括节点所在的位置对应的关系过滤矩阵，和/或，所述维度转换规则中包括预设的维度转换矩阵。

本说明书实施例中，还包括：

构建不同位置对应的初始关系过滤规则，并构建初始维度转换规则，所述初始关系过滤规则中包含待确定的第一参数，所述初始维度转换规则中包括待确定的第二参数；

获取多个不同的第一知识图谱样本，并构建作为负样本使用的第二知识图谱样本，基于所述第一知识图谱样本和所述第二知识图谱样本构建图谱训练样本；

获取所述图谱训练样本中包含的样本节点的信息和样本节点之间的关联关系的信息；

基于所述图谱训练样本中包含的样本节点所在的位置，获取所述图谱训练样本中包含的样本节点所在的位置对应的初始关系过滤规则，并分别基于所述图谱训练样本中包含的样本节点和所述图谱训练样本中包含的样本节点对应的初始关系过滤规则，确定所述图谱训练样本中包含的不同样本节点对应的初始关系过滤信息；

基于所述初始维度转换规则对所述图谱训练样本中包含的不同样本节点对应的初始关系过滤信息进行维度转换，得到转换后的初始关系过滤信息；

基于所述转换后的初始关系过滤信息、所述样本节点之间的关联关系的信息，以及所述目标函数和损失函数，并采用梯度下降算法对所述初始关系过滤规则和所述初始维度转换规则进行训练，以确定所述第一参数和所述第二参数，得到所述关系过滤规则和所述维度转换规则。

本说明书实施例中，所述构建作为负样本使用的第二知识图谱样本，包括：

从所述多个不同的第一知识图谱样本中选取预设的第一数量的第一知识图谱样本；

分别对所述第一数量的第一知识图谱样本中的每个所述第一知识图谱样本中的一个或多个节点进行更换，得到作为负样本使用的第二知识图谱样本。

本说明书实施例中，所述梯度下降算法包括基于mini-batch的随机梯度下降算法。

本说明书实施例中，还包括：

对所述关系过滤规则和所述维度转换规则进行封装处理，得到用于对知识图谱进行补全检测的目标模型，所述目标模型对应的目标函数和损失函数分别为所述预设的目标函数和损失函数。

本说明书实施例中，所述基于所述转换后的不同节点对应的关系过滤信息，以及预设的目标函数和损失函数，确定所述知识图谱中的不同的节点之间存在的关联关系，包括：

基于所述转换后的不同节点对应的关系过滤信息，以及预设的目标函数和损失函数，确定所述知识图谱中的不同的节点之间存在的关联关系的评分值；

获取所述知识图谱中所述评分值超过预设的评分阈值的节点之间的关联关系，并将获取的关联关系确定为所述知识图谱中的不同的节点之间存在的关联关系。

此外，在另一种具体的实施例中，该存储介质可以为U盘、光盘、硬盘等，该存储介质存储的计算机可执行指令信息在被处理器执行时，能实现以下流程：

获取针对知识图谱中的节点所在位置对应的关系过滤规则的信息、用于维度转换的维度转换规则的信息，以及预设的目标函数和损失函数，并基于所述关系过滤规则的信息和所述维度转换规则的信息，以及预设的目标函数和损失函数构建相应的智能合约，向所述区块链系统中部署所述智能合约；

获取待补全的目标知识图谱中包含的节点的信息；

基于所述智能合约和所述目标知识图谱中包含的每个节点所在的位置，确定每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息；

基于所述智能合约中的所述维度转换规则对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息；

基于所述智能合约和所述转换后的不同节点对应的关系过滤信息，确定所述目标知识图谱中的不同的节点之间存在的关联关系，基于所述目标知识图谱中的不同的节点之间存在的关联关系对所述目标知识图谱进行补全处理。

此外，在另一种具体的实施例中，该存储介质可以为U盘、光盘、硬盘等，该存储介质存储的计算机可执行指令信息在被处理器执行时，能实现以下流程：

获取针对知识图谱中的节点所在位置对应的关系过滤规则的信息、用于维度转换的维度转换规则的信息，以及预设的目标函数和损失函数，并获取预先部署于所述区块链系统中的第一智能合约，所述第一智能合约用于进行模型封装处理和对知识图谱进行补全处理；

基于所述第一智能合约对所述关系过滤规则和所述维度转换规则进行封装处理，得到用于对知识图谱进行补全检测的目标模型，并将所述预设的目标函数和损失函数分别设定为所述目标模型的目标函数和损失函数；

获取待补全的目标知识图谱中包含的节点的信息；

基于所述第一智能合约从所述区块链系统中获取所述目标模型，将所述目标知识图谱中包含的节点的信息输入所述目标模型中，得到所述目标知识图谱中的不同的节点之间存在的关联关系的评分值，并基于所述目标知识图谱中所述评分值超过预设的评分阈值的节点之间的关联关系对所述目标知识图谱进行补全处理。

本说明书实施例提供一种存储介质，在获取到待补全的知识图谱中包含的节点的信息后，基于每个节点所在的位置，获取每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息，然后，对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息，基于转换后的不同节点对应的关系过滤信息，以及预设的目标函数和损失函数，确定知识图谱中的不同的节点之间存在的关联关系，基于知识图谱中的不同的节点之间存在的关联关系对知识图谱进行补全处理，这样，通过位置敏感的关系过滤规则，并直接基于知识图谱的节点进行表示学习，从而克服了由数据转换带来的信息损失或新节点的预测困难问题，而且，可以利用知识图谱中节点的位置信息为不同关联关系、不同位置下的节点进行表征转换，从而使得知识图谱中的关联关系(即边或超边)能够学习到更精准的语义表达，使得知识图谱的补全结果更加准确。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书的实施例是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程欺诈案例的串并设备的处理器以产生一个机器，使得通过计算机或其他可编程欺诈案例的串并设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程欺诈案例的串并设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程欺诈案例的串并设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (20)

1.一种信息的处理方法，所述方法包括：

获取待补全的知识图谱中包含的节点的信息；

基于每个节点所在的位置，获取每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息；

对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息；

基于所述转换后的不同节点对应的关系过滤信息，以及预设的目标函数和损失函数，确定所述知识图谱中的不同的节点之间存在的关联关系，基于所述知识图谱中的不同的节点之间存在的关联关系对所述知识图谱进行补全处理。

2.根据权利要求1所述的方法，所述知识图谱包括知识超图，所述节点为所述知识超图中的实体，节点之间的关联关系为所述知识超图中的超边。

3.根据权利要求1或2所述的方法，所述对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息，包括：

基于预设的维度转换规则对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息。

4.根据权利要求3所述的方法，所述关系过滤规则中包括节点所在的位置对应的关系过滤矩阵，和/或，所述维度转换规则中包括预设的维度转换矩阵。

5.根据权利要求4所述的方法，所述方法还包括：

构建不同位置对应的初始关系过滤规则，并构建初始维度转换规则，所述初始关系过滤规则中包含待确定的第一参数，所述初始维度转换规则中包括待确定的第二参数；

获取多个不同的第一知识图谱样本，并构建作为负样本使用的第二知识图谱样本，基于所述第一知识图谱样本和所述第二知识图谱样本构建图谱训练样本；

获取所述图谱训练样本中包含的样本节点的信息和样本节点之间的关联关系的信息；

基于所述图谱训练样本中包含的样本节点所在的位置，获取所述图谱训练样本中包含的样本节点所在的位置对应的初始关系过滤规则，并分别基于所述图谱训练样本中包含的样本节点和所述图谱训练样本中包含的样本节点对应的初始关系过滤规则，确定所述图谱训练样本中包含的不同样本节点对应的初始关系过滤信息；

基于所述初始维度转换规则对所述图谱训练样本中包含的不同样本节点对应的初始关系过滤信息进行维度转换，得到转换后的初始关系过滤信息；

基于所述转换后的初始关系过滤信息、所述样本节点之间的关联关系的信息，以及所述目标函数和损失函数，并采用梯度下降算法对所述初始关系过滤规则和所述初始维度转换规则进行训练，以确定所述第一参数和所述第二参数，得到所述关系过滤规则和所述维度转换规则。

6.根据权利要求5所述的方法，所述构建作为负样本使用的第二知识图谱样本，包括：

从所述多个不同的第一知识图谱样本中选取预设的第一数量的第一知识图谱样本；

分别对所述第一数量的第一知识图谱样本中的每个所述第一知识图谱样本中的一个或多个节点进行更换，得到作为负样本使用的第二知识图谱样本。

7.根据权利要求5所述的方法，所述梯度下降算法包括基于mini-batch的随机梯度下降算法。

8.根据权利要求5所述的方法，所述方法还包括：

对所述关系过滤规则和所述维度转换规则进行封装处理，得到用于对知识图谱进行补全检测的目标模型，所述目标模型对应的目标函数和损失函数分别为所述预设的目标函数和损失函数。

9.根据权利要求1所述的方法，所述基于所述转换后的不同节点对应的关系过滤信息，以及预设的目标函数和损失函数，确定所述知识图谱中的不同的节点之间存在的关联关系，包括：

基于所述转换后的不同节点对应的关系过滤信息，以及预设的目标函数和损失函数，确定所述知识图谱中的不同的节点之间存在的关联关系的评分值；

获取所述知识图谱中所述评分值超过预设的评分阈值的节点之间的关联关系，并将获取的关联关系确定为所述知识图谱中的不同的节点之间存在的关联关系。

10.一种信息的处理方法，应用于区块链系统，所述方法包括：

获取针对知识图谱中的节点所在位置对应的关系过滤规则的信息、用于维度转换的维度转换规则的信息，以及预设的目标函数和损失函数，并基于所述关系过滤规则的信息和所述维度转换规则的信息，以及预设的目标函数和损失函数构建相应的智能合约，向所述区块链系统中部署所述智能合约；

获取待补全的目标知识图谱中包含的节点的信息；

基于所述智能合约和所述目标知识图谱中包含的每个节点所在的位置，确定每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息；

基于所述智能合约中的所述维度转换规则对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息；

基于所述智能合约和所述转换后的不同节点对应的关系过滤信息，确定所述目标知识图谱中的不同的节点之间存在的关联关系，基于所述目标知识图谱中的不同的节点之间存在的关联关系对所述目标知识图谱进行补全处理。

11.一种信息的处理方法，应用于区块链系统，所述方法包括：

获取针对知识图谱中的节点所在位置对应的关系过滤规则的信息、用于维度转换的维度转换规则的信息，以及预设的目标函数和损失函数，并获取预先部署于所述区块链系统中的第一智能合约，所述第一智能合约用于进行模型封装处理和对知识图谱进行补全处理；

基于所述第一智能合约对所述关系过滤规则和所述维度转换规则进行封装处理，得到用于对知识图谱进行补全检测的目标模型，并将所述预设的目标函数和损失函数分别设定为所述目标模型的目标函数和损失函数；

获取待补全的目标知识图谱中包含的节点的信息；

基于所述第一智能合约从所述区块链系统中获取所述目标模型，将所述目标知识图谱中包含的节点的信息输入所述目标模型中，得到所述目标知识图谱中的不同的节点之间存在的关联关系的评分值，并基于所述目标知识图谱中所述评分值超过预设的评分阈值的节点之间的关联关系对所述目标知识图谱进行补全处理。

12.一种信息的处理装置，所述装置包括：

信息获取模块，获取待补全的知识图谱中包含的节点的信息；

关系过滤模块，基于每个节点所在的位置，获取每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息；

维度转换模块，对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息；

图谱补全模块，基于所述转换后的不同节点对应的关系过滤信息，以及预设的目标函数和损失函数，确定所述知识图谱中的不同的节点之间存在的关联关系，基于所述知识图谱中的不同的节点之间存在的关联关系对所述知识图谱进行补全处理。

13.一种信息的处理装置，所述装置为区块链系统中的装置，所述装置包括：

合约构建模块，获取针对知识图谱中的节点所在位置对应的关系过滤规则的信息、用于维度转换的维度转换规则的信息，以及预设的目标函数和损失函数，并基于所述关系过滤规则的信息和所述维度转换规则的信息，以及预设的目标函数和损失函数构建相应的智能合约，向所述区块链系统中部署所述智能合约；

信息获取模块，获取待补全的目标知识图谱中包含的节点的信息；

关系过滤模块，基于所述智能合约和所述目标知识图谱中包含的每个节点所在的位置，确定每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息；

维度转换模块，基于所述智能合约中的所述维度转换规则对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息；

补全模块，基于所述智能合约和所述转换后的不同节点对应的关系过滤信息，确定所述目标知识图谱中的不同的节点之间存在的关联关系，基于所述目标知识图谱中的不同的节点之间存在的关联关系对所述目标知识图谱进行补全处理。

14.一种信息的处理装置，所述装置为区块链系统中的装置，所述装置包括：

信息获取模块，获取针对知识图谱中的节点所在位置对应的关系过滤规则的信息、用于维度转换的维度转换规则的信息，以及预设的目标函数和损失函数，并获取预先部署于所述区块链系统中的第一智能合约，所述第一智能合约用于进行模型封装处理和对知识图谱进行补全处理；

封装模块，基于所述第一智能合约对所述关系过滤规则和所述维度转换规则进行封装处理，得到用于对知识图谱进行补全检测的目标模型，并将所述预设的目标函数和损失函数分别设定为所述目标模型的目标函数和损失函数；

待补信息获取模块，获取待补全的目标知识图谱中包含的节点的信息；

图谱补全模块，基于所述第一智能合约从所述区块链系统中获取所述目标模型，将所述目标知识图谱中包含的节点的信息输入所述目标模型中，得到所述目标知识图谱中的不同的节点之间存在的关联关系的评分值，并基于所述目标知识图谱中所述评分值超过预设的评分阈值的节点之间的关联关系对所述目标知识图谱进行补全处理。

15.一种信息的处理设备，所述信息的处理设备包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：

获取待补全的知识图谱中包含的节点的信息；

基于每个节点所在的位置，获取每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息；

对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息；

基于所述转换后的不同节点对应的关系过滤信息，以及预设的目标函数和损失函数，确定所述知识图谱中的不同的节点之间存在的关联关系，基于所述知识图谱中的不同的节点之间存在的关联关系对所述知识图谱进行补全处理。

16.一种信息的处理设备，所述设备为区块链系统中的设备，所述信息的处理设备包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：

获取针对知识图谱中的节点所在位置对应的关系过滤规则的信息、用于维度转换的维度转换规则的信息，以及预设的目标函数和损失函数，并基于所述关系过滤规则的信息和所述维度转换规则的信息，以及预设的目标函数和损失函数构建相应的智能合约，向所述区块链系统中部署所述智能合约；

获取待补全的目标知识图谱中包含的节点的信息；

基于所述智能合约和所述目标知识图谱中包含的每个节点所在的位置，确定每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息；

基于所述智能合约中的所述维度转换规则对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息；

基于所述智能合约和所述转换后的不同节点对应的关系过滤信息，确定所述目标知识图谱中的不同的节点之间存在的关联关系，基于所述目标知识图谱中的不同的节点之间存在的关联关系对所述目标知识图谱进行补全处理。

17.一种信息的处理设备，所述设备为区块链系统中的设备，所述信息的处理设备包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：

获取针对知识图谱中的节点所在位置对应的关系过滤规则的信息、用于维度转换的维度转换规则的信息，以及预设的目标函数和损失函数，并获取预先部署于所述区块链系统中的第一智能合约，所述第一智能合约用于进行模型封装处理和对知识图谱进行补全处理；

基于所述第一智能合约对所述关系过滤规则和所述维度转换规则进行封装处理，得到用于对知识图谱进行补全检测的目标模型，并将所述预设的目标函数和损失函数分别设定为所述目标模型的目标函数和损失函数；

获取待补全的目标知识图谱中包含的节点的信息；

基于所述第一智能合约从所述区块链系统中获取所述目标模型，将所述目标知识图谱中包含的节点的信息输入所述目标模型中，得到所述目标知识图谱中的不同的节点之间存在的关联关系的评分值，并基于所述目标知识图谱中所述评分值超过预设的评分阈值的节点之间的关联关系对所述目标知识图谱进行补全处理。

18.一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：

获取待补全的知识图谱中包含的节点的信息；

基于每个节点所在的位置，获取每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息；

对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息；

基于所述转换后的不同节点对应的关系过滤信息，以及预设的目标函数和损失函数，确定所述知识图谱中的不同的节点之间存在的关联关系，基于所述知识图谱中的不同的节点之间存在的关联关系对所述知识图谱进行补全处理。

19.一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：

获取针对知识图谱中的节点所在位置对应的关系过滤规则的信息、用于维度转换的维度转换规则的信息，以及预设的目标函数和损失函数，并基于所述关系过滤规则的信息和所述维度转换规则的信息，以及预设的目标函数和损失函数构建相应的智能合约，向区块链系统中部署所述智能合约；

获取待补全的目标知识图谱中包含的节点的信息；

基于所述智能合约和所述目标知识图谱中包含的每个节点所在的位置，确定每个节点所在的位置对应的关系过滤规则，并分别基于每个节点和每个节点对应的关系过滤规则，确定不同的节点对应的关系过滤信息；

基于所述智能合约中的所述维度转换规则对不同的节点对应的关系过滤信息进行维度转换，得到转换后的不同节点对应的关系过滤信息；

基于所述智能合约和所述转换后的不同节点对应的关系过滤信息，确定所述目标知识图谱中的不同的节点之间存在的关联关系，基于所述目标知识图谱中的不同的节点之间存在的关联关系对所述目标知识图谱进行补全处理。

20.一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：

获取针对知识图谱中的节点所在位置对应的关系过滤规则的信息、用于维度转换的维度转换规则的信息，以及预设的目标函数和损失函数，并获取预先部署于区块链系统中的第一智能合约，所述第一智能合约用于进行模型封装处理和对知识图谱进行补全处理；

基于所述第一智能合约对所述关系过滤规则和所述维度转换规则进行封装处理，得到用于对知识图谱进行补全检测的目标模型，并将所述预设的目标函数和损失函数分别设定为所述目标模型的目标函数和损失函数；

获取待补全的目标知识图谱中包含的节点的信息；

基于所述第一智能合约从所述区块链系统中获取所述目标模型，将所述目标知识图谱中包含的节点的信息输入所述目标模型中，得到所述目标知识图谱中的不同的节点之间存在的关联关系的评分值，并基于所述目标知识图谱中所述评分值超过预设的评分阈值的节点之间的关联关系对所述目标知识图谱进行补全处理。

Images