CN115577114A - 一种基于时序知识图谱的事件检测方法和装置 - Google Patents

Abstract

本发明公开了一种基于时序知识图谱的事件检测方法和装置，其中，该方法包括：获取待检测事件，待检测事件包括多个文本数据以及每个文本数据对应的时间戳；以及，根据补全后的时序知识图谱训练预测模型，得到训练好的预测模型；将待检测事件输入训练好的预测模型，以得到待检测事件的检测结果。本发明能够对时序知识图谱直接进行补全，减小了搜索空间，提升了事件检测的性能。

Description

一种基于时序知识图谱的事件检测方法和装置

技术领域

本发明涉及信息技术及数据业务领域，尤其涉及一种基于时序知识图谱的事件检测方 法和装置。

背景技术

时序知识图谱是带有时间属性的事实的集合，如图1所示。时序知识图谱可表示为四 元组的集合G＝{(s,r,o,t)}，其中s代表头实体，o代表尾实体，r代表关系，t代表时间，如(梅西，获奖，世界足球先生，2009年)。通常，时序知识图谱具有不完整性的特点， 即每个时间戳下可能缺失了部分事实。此外，它还具有不断更新的特点，即新的事实会不 断出现。因此，时序知识图谱主要有2个任务：补全和预测。补全任务即补全每个时间戳 下缺失的事实，而预测任务即预测未来会发生什么事实。

目前主流的时序知识图谱补全方法包括Hyte，DE-SimplE，TComplEx。这一类方法是 基于模型参数和数值向量，通过得分函数学会判断真四元组和假四元组。但这一类模型都 是判别式模型，不是生成式模型，由于搜索空间巨大(所有可能的四元组的搜索空间大小 为O(实体数×关系数×实体数×时间戳数))，因此无法直接补全缺失的事实。

目前主流的时序知识图谱预测方法包括RE-NET，CyGNet。这一类方法是基于已发生 的历史事实，预测未来的事实。但它们都没有考虑到图谱不完整性对预测的影响。理论上， 由于图谱的不完整性，用于预测的线索可能缺失，因此可能导致预测的性能下降。因此， 产生了先对图谱补全，再做预测的需求。但由于现有补全模型都是判别式模型，因此无法 直接进行补全。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的目的在于改进现有判别式的知识图谱补全模型，解决无法直接补全缺 失事实的问题，从而补充了用于事件真实性评估的线索，解决了事件真实性评估性能存在 缺陷的问题，提出了一种基于时序知识图谱的事件检测方法。

本发明的另一个目的在于提出一种基于时序知识图谱的事件检测装置。

为达上述目的，本发明一方面提出了基于时序知识图谱的事件检测方法，包括以下步 骤：

获取待检测事件，所述待检测事件包括多个文本数据以及每个文本数据对应的时间戳； 以及，

根据补全后的时序知识图谱训练预测模型，得到训练好的预测模型；

将所述待检测事件输入所述训练好的预测模型，以得到所述待检测事件的检测结果。

本发明实施例的基于时序知识图谱的事件检测方法，通过获取待检测事件，待检测事 件包括多个文本数据以及每个文本数据对应的时间戳；以及，根据补全后的时序知识图谱 训练预测模型，得到训练好的预测模型；将待检测事件输入训练好的预测模型，以得到待 检测事件的检测结果。本发明能够对时序知识图谱直接进行补全，减小了搜索空间，提升 了事件检测的性能。

另外，根据本发明上述实施例的基于时序知识图谱的事件检测方法还可以具有以下附 加的技术特征：

进一步地，所述根据补全后的时序知识图谱训练预测模型之前，还包括：

根据时序知识图谱补全模型训练得到所述补全后的时序知识图谱。

进一步地，所述根据时序知识图谱补全模型训练得到所述补全后的时序知识图谱，包 括：

利用所述时序知识图谱进行补全模型训练，学习训练集的所有事实，得到第一得分函 数模型，以计算已发生时间戳每个四元组成立的概率；

通过对所述时序知识图谱的逐时间戳补全，从所述训练集的所有事实得到候选三元组， 将所述候选三元组与每个所述已发生时间戳组合得到候选四元组；

通过所述补全模型对所述候选四元组进行评分，选出评分最高的预设个数的候选四元 组补全当前时间戳，以得到所述补全后的时序知识图谱。

进一步地，所述根据补全后的时序知识图谱训练预测模型，以得到训练好的预测模型， 包括：

将所述补全后的时序知识图谱输入预测模型进行模型训练；

基于所述模型训练，得到第二得分函数模型；

根据所述第二得分函数模型，计算未来时间戳每个四元组成立的概率，以得到训练好 的预测模型。

进一步地，所述将所述待检测事件输入所述训练好的预测模型，以得到所述待检测事 件的检测结果，包括：

在完成所述预测模型的训练后，对所述未来时间戳每个四元组进行评分，得到评分结 果；

基于所述评分结果，通过与负样本进行比较和排名评估事件检测性能，以得到所述待 检测事件的检测结果。

进一步地，所述根据时序知识图谱补全模型训练得到所述补全后的时序知识图谱，还 包括：

通过忽略时间戳，将所有事实用于补全的候选三元组：

G_static＝{(s，r，o)|(s，r，o，t)∈G^t}

对每个时间戳t，与所述补全的候选三元组组合，得到所述候选四元组：

使用在所述时序知识图谱上训练得到的DE-SimplE对所述候选四元组进行评分，选出 得分最高的前k个四元组，作为所述每个时间戳t的补全事件：

则所述每个时间戳t的图谱更新为：

进一步地，所述根据补全后的时序知识图谱训练预测模型，以得到训练好的预测模型， 包括：

通过循环事件网络RE-NET定义时序知识图谱G的所有事实的概率分布为：

其中，G_i：j代表从时间戳i到j的事实集合，时间戳t的每个头实体s的概率从时间戳t-1 的图特征片t-1得到：

每个关系r的概率由头实体s的局部特征e_s和历史特征h_t-1(s)得到：

每个尾实体o的概率依赖于头实体s、关系r的局部特征e_s，e_r以及历史特征h_t-1(s，r)得 到：

通过拷贝生成网络CyGNet，对于时间t_k，每一个要查询的四元组(s，p，？，t_k)的历史词 汇为：

其中，

是N维的multi-hot向量，拷贝模块生成索引向量：

v_q＝tanh(W_c[s，p，t_k]+b_c)

每个实体的概率为索引向量v_q与历史词汇

之和：

生成模块预测新事实，不查询相关历史：

p(合)＝softmax(W_g[s，p，t_k]+b_g)

最终概率为拷贝概率与生成概率之和：

p(o|s，p，t)＝α·p(c)+(1-α)·p(g)。

进一步地，所述方法，还包括：

在完成对所述预测模型的训练后，得到所述第二得分函数模型，以检测未来的事件， 包括：头实体检测、尾实体检测和关系检测；其中，

所述头实体检测，包括：对于第一查询，将第一实体代入所述第一查询，得到所述第 一实体的第一得分，从所述第一得分中选出得到最高的实体作为答案，以得到第一检测事 件；

所述尾实体检测，包括：对于第二查询，将第二实体代入所述第二查询，得到所述第 二实体的第二得分，从所述第二得分中选出得到最高的实体作为答案，以得到第二检测事 件；

所述关系检测，包括：对于第三查询，将所有关系代入所述第三查询，得到所述所有 关系的第三得分，从所述第三得分中选出得到最高的关系作为答案，以得到第三检测事件。

为达到上述目的，本发明另一方面提出了一种基于时序知识图谱的事件检测装置，包 括：

获取模块，用于获取待检测事件，所述待检测事件包括多个文本数据以及每个文本数 据对应的时间戳；

训练模块，用于根据补全后的时序知识图谱训练预测模型，得到训练好的预测模型；

检测模块，用于将所述待检测事件输入所述训练好的预测模型，以得到所述待检测事 件的检测结果。

本发明实施例的基于时序知识图谱的事件检测装置，通过获取待检测事件，待检测事 件包括多个文本数据以及每个文本数据对应的时间戳；以及，根据补全后的时序知识图谱 训练预测模型，得到训练好的预测模型；将待检测事件输入训练好的预测模型，以得到待 检测事件的检测结果。本发明能够对时序知识图谱直接进行补全，减小了搜索空间，提升 了事件检测的性能。

本发明的有益效果：

本发明改进现有判别式的知识图谱补全模型，实现对时序知识图谱直接进行补全，补 充了用于事件真实性评估的线索，减小了搜索空间，弥补了事件真实性评估性能存在的缺 陷，提升了事件检测的性能。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明 显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和 容易理解，其中：

图1为现有的时序知识图谱的示意图；

图2为根据本发明实施例的基于时序知识图谱的事件检测框架示意图；

图3为根据本发明实施例的基于时序知识图谱的事件检测方法的流程图；

图4为根据本发明实施例的基于时序知识图谱的事件检测方法的训练、查询和检测过 程示意图；

图5为根据本发明实施例的预测模型训练示意图；

图6为根据本发明实施例的基于时序知识图谱的事件检测方法的使用示意图。

图7为根据本发明实施例的基于时序知识图谱的事件检测装置的结构示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组 合。下面将参考附图并结合实施例来详细说明本发明。

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图， 对本发明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发 明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员 在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

下面参照附图描述根据本发明实施例提出的基于时序知识图谱的事件检测方法及装置， 首先将参照附图描述根据本发明实施例提出的基于时序知识图谱的事件检测方法。

在时序知识图谱中，每个时间戳有缺失或潜在的事件。框架的思想是先对时序知识图 谱补全，再进行预测。该框架主要由3个模块组成：(1)时序知识图谱；(2)补全模块；(3)检测模块，如图2所示。同时，该框架以一种减小搜索空间的补全策略，将判别式补 全模型用于时序知识图谱补全，以便将补全后的图谱用于事件检测。3个模块之间主要有4 个交互流程：时序知识图谱补全模型训练，逐时间戳补全，事件检测模型训练及评估事件 真实性。

本发明对问题进行定义，

其中

表示在t_i时刻的知识图谱，可表示 为四元组的集合，即

s，o∈V，V为G的实体集合；r∈R，R为G的关系集合。

问题如下：给定一个已发生的时序知识图谱

用于训练，目标是使系 统在该图谱上学习训练，获得预测未来事实的能力，即能够回答查询(s，r，？，t)或(？，r，o，t)或 (s，？，o，t)，其中t＞t_n。

图3是本发明一个实施例的基于时序知识图谱的事件检测方法的流程图。

如图3所示，该基于时序知识图谱的事件检测方法包括以下步骤：

步骤S1，获取待检测事件，待检测事件包括多个文本数据以及每个文本数据对应的时 间戳。

具体的，待检测事件可通过微博、新闻网页等浏览网站获得，例如，该待检测事件的 文本数据包括：四元组集合，G＝{(s，r，o，t)}，其中s代表头实体，o代表尾实体，r代表关系，t代表时间。

步骤S2，根据补全后的时序知识图谱训练预测模型，得到训练好的预测模型。

可以理解的是，本发明先根据时序知识图谱补全模型训练得到补全后的时序知识图谱。

具体的，先进行时序知识图谱补全模型训练，时序知识图谱补全模型负责学习训练集 的所有事件，以得到一个判别式的得分函数模型f(s，r，o，t)，能够衡量已发生的时间戳内 {t₁，..，t_n}任意一个四元组(s，r，o，t_i)成立的概率(其中1≤i≤n)。

作为一种示例，本发明以以补全模型DE-SimplF为例说明补全模型的训练。首先假设 每个实体e有2个嵌入h_e、t_e，每个关系r有2个嵌入v_r、

假设实体的部分特征是静 态的，部分特征是动态的，DE-SimplF赋予每个实体v一个时间编码器，使实体的部分维 度的嵌入随时间变化：

其中，

代表实体v的静态嵌入，ω_v、b_v代表实体v编码时间的权值向量，σ为激活函数(如sin函数)。四元组(s，r，o，t)的得分定义为

再进行逐时间戳补全，由于许多事件如经济危机、外交活动呈现出周期性的特点，即 已发生的事件可能再次发生，从而对于某个时间戳t缺失的事件，可能是其他时间戳出现 的事件，并且这些事件成立的概率比随机生成的事件概率高。

因此，为减小补全的搜索空间，通过忽略时间戳，本发明将所有发生过的事件作为用 于补全的候选三元组，可从训练集的所有事件得到候选三元组：

G_static＝{(s，r，o)|(s，r，o，t)∈G^t}

然后，对每个时间戳t，与候选三元组组合，得到候选四元组

然后，这些候选四元组的真实性可以用判别式补全模型去衡量。一个四元组的分数越 高代表着模型认为该四元组的真实性越高。使用在不完整图谱上训练得到的DE-SimplE对 候选四元组评分，选出得分最高的前k个四元组，作为该时间戳t的补全事件：

最终，每个时间戳t的图谱更新为：

进一步地，将补全后的时序知识图谱输入预测模型进行模型训练，得到第二得分函数 模型，计算未来时间戳每个四元组成立的概率，以得到训练好的预测模型。

具体的，将补全后的时序知识图谱作为预测模型的输入，训练后得到得分函数模型 φ(s，r，o，t)，能够衡量未来时间戳{t_n+1，..，t_n+j}任意一个四元组(s，r，o，t_i)成立的概率(其中 n+1≤i≤n+j)。

作为一种示例，本发明以循环事件网络RE-NET和拷贝生成网络CyGNet为例进行阐述。 RE-NET定义时序知识图谱G的所有事实的概率分布为

其中，G_i：j代表从时间戳i到j的事实集合，时间戳t的每个头实体s的概率从时间戳t-1的图特征H_t-1得到：

每个关系r的概率由头实体s的局部特征e_s和历史特征h_t-1(s)得到：

每个尾实体o的概率依赖于头实体s、关系r的局部特征e_s，e_r以及历史特征h_t-1(s，r)得 到：

拷贝生成网络

CyGNet利用拷贝和生成机制，识别和预测出具有周期重复性的事实。对于时间tk，每 一个要查询的四元组(s，p，？，t_k)的历史词汇为：

其中，

是N维的multi-hot向量。拷贝模块首先生成索引向量

v_q＝tanh(W_c[s，p，t_k]+b_c)

每个实体的概率为索引向量v_q与历史词汇

之和：

生成模块直接预测新事实，而不查询相关历史：

p(g)＝soffmax(W_g[s，p，t_k]+b_g)

最终概率为拷贝概率与生成概率之和：

p(o|s，p，t)＝α·p(c)+(1-α)·p(g)

步骤S3，将待检测事件输入训练好的预测模型，以得到待检测事件的检测结果。

具体地，在完成事实预测模型的训练后，可对未来时间戳的事实集合

的每个四元组进行评分，通过与负样本进行比较和排名，评估整个框架的事实预测性能，以得到待检测事件的检测结果。本发明得到的检测结果更加具有真实性，预测更加具有可靠性。

具体的，在完成预测模型的训练后，得到得分函数模型

可对未来时间戳的 事件集合

的每个四元组进行评分，进而得到待检测事件的检测结果， 包括：头实体检测，尾实体检测和关系检测。本发明的训练、查询、检测过程如图5所示。

(1)头实体检测：对于某个查询(？，r，o，t)，将所有的实体s’代入该查询，得到所有实 体的得分

从中选出得到最高的实体s作为答案，得到事件(s，r，o，t)，该评估方 式可用于预测如(？，爱吃，香蕉，t_n+i)的查询。

(2)尾实体检测：对于某个查询(s，r，？，t)，将所有的实体o’代入该查询，得到所有实 体的得分

从中选出得到最高的实体o作为答案，得到事件(s，r，o，t)，该评估方式评估可用于预测如(猴子，爱吃，？，t_n+i)的查询。

(3)关系检测(s，？，o，t)：对于某个查询(s，？，o，t)，将所有的关系r’代入该查询，得到 所有关系的得分

从中选出得到最高的关系r作为答案，得到事件(s，r，o，t)。

进一步地，以查询尾实体检测为例，本发明检测的使用流程如图6所示。

通过上述步骤，通过获取待检测事件，待检测事件包括多个文本数据以及每个文本数 据对应的时间戳；以及，根据补全后的时序知识图谱训练预测模型，得到训练好的预测模 型；将待检测事件输入训练好的预测模型，以得到待检测事件的检测结果。本发明能够对 时序知识图谱直接进行补全，减小了搜索空间，提升了事件检测的性能。

需要说明的是，时序知识图谱补全和事件检测方法实现方式有多种，但无论具体的实 现方法如何，只要方法提升了事件检测的性能，都是针对现有技术问题的解决，并具有相 应的效果。

为了实现上述实施例，如图7所示，本实施例中还提供了一种基于时序知识图谱的事 件检测装置10，该装置10包括：获取模块100，训练模块200，检测模块300。

获取模块100，用于获取待检测事件，待检测事件包括多个文本数据以及每个文本数据 对应的时间戳；

训练模块200，用于根据补全后的时序知识图谱训练预测模型，得到训练好的预测模型；

检测模块300，用于将待检测事件输入训练好的预测模型，以得到待检测事件的检测结 果。

进一步地，上述训练模块200，还用于：

根据时序知识图谱补全模型训练得到所述补全后的时序知识图谱。

根据本发明实施例的基于时序知识图谱的事件检测装置，通过获取待检测事件，待检 测事件包括多个文本数据以及每个文本数据对应的时间戳；以及，根据补全后的时序知识 图谱训练预测模型，得到训练好的预测模型；将待检测事件输入训练好的预测模型，以得 到待检测事件的检测结果。本发明能够对时序知识图谱直接进行补全，减小了搜索空间， 提升了事件检测的性能。

需要说明的是，前述对基于时序知识图谱的事件检测方法实施例的解释说明也适用于 该实施例的基于时序知识图谱的事件检测装置，此处不再赘述。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以 明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个， 例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具 体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材 料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意 性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特 点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下， 本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特 征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的， 不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例 进行变化、修改、替换和变型。

Claims (10)

1.一种基于时序知识图谱的事件检测方法，其特征在于，包括以下步骤：

获取待检测事件，所述待检测事件包括多个文本数据以及每个文本数据对应的时间戳；以及，

根据补全后的时序知识图谱训练预测模型，得到训练好的预测模型；

将所述待检测事件输入所述训练好的预测模型，以得到所述待检测事件的检测结果。

2.根据权利要求1所述的基于时序知识图谱的事件检测方法，其特征在于，所述根据补全后的时序知识图谱训练预测模型之前，还包括：

根据时序知识图谱补全模型训练得到所述补全后的时序知识图谱。

3.根据权利要求2所述的基于时序知识图谱的事件检测方法，其特征在于，所述根据时序知识图谱补全模型训练得到所述补全后的时序知识图谱，包括：

利用所述时序知识图谱进行补全模型训练，学习训练集的所有事实，得到第一得分函数模型，以计算已发生时间戳每个四元组成立的概率；

通过对所述时序知识图谱的逐时间戳补全，从所述训练集的所有事实得到候选三元组，将所述候选三元组与每个所述已发生时间戳组合得到候选四元组；

通过所述补全模型对所述候选四元组进行评分，选出评分最高的预设个数的候选四元组补全当前时间戳，以得到所述补全后的时序知识图谱。

4.根据权利要求3所述的基于时序知识图谱的事件检测方法，其特征在于，所述根据补全后的时序知识图谱训练预测模型，以得到训练好的预测模型，包括：

将所述补全后的时序知识图谱输入预测模型进行模型训练；

基于所述模型训练，得到第二得分函数模型；

根据所述第二得分函数模型，计算未来时间戳每个四元组成立的概率，以得到训练好的预测模型。

5.根据权利要求4所述的基于时序知识图谱的事件检测方法，其特征在于，所述将所述待检测事件输入所述训练好的预测模型，以得到所述待检测事件的检测结果，包括：

在完成所述预测模型的训练后，对所述未来时间戳每个四元组进行评分，得到评分结果；

基于所述评分结果，通过与负样本进行比较和排名评估事件检测性能，以得到所述待检测事件的检测结果。

6.根据权利要求3所述的基于时序知识图谱的事件检测方法，其特征在于，所述根据时序知识图谱补全模型训练得到所述补全后的时序知识图谱，还包括：

通过忽略时间戳，将所有事实用于补全的候选三元组：

G_static＝{(s,r,o)|(s,r,o,t)∈G^t}

对每个时间戳t，与所述补全的候选三元组组合，得到所述候选四元组：

使用在所述时序知识图谱上训练得到的DE-SimplE对所述候选四元组进行评分，选出得分最高的前k个四元组，作为所述每个时间戳t的补全事件：

则所述每个时间戳t的图谱更新为：

7.根据权利要求4所述的基于时序知识图谱的事件检测方法，其特征在于，所述根据补全后的时序知识图谱训练预测模型，以得到训练好的预测模型，包括：

通过循环事件网络RE-NET定义时序知识图谱G的所有事实的概率分布为：

其中，G_i:j代表从时间戳i到j的事实集合，时间戳t的每个头实体s的概率从时间戳t-1的图特征H_t-1得到：

每个关系r的概率由头实体s的局部特征e_s和历史特征h_t-1(s)得到：

每个尾实体o的概率依赖于头实体s、关系r的局部特征e_s,e_r以及历史特征h_t-1(s,r)得到：

通过拷贝生成网络CyGNet，对于时间t_k，每一个要查询的四元组(s,p,？,t_k)的历史词汇为：

其中，

是N维的multi-hot向量，拷贝模块生成索引向量：

v_q＝tanh(W_c[s,p,t_k]+b_c)

每个实体的概率为索引向量v_q与历史词汇

之和：

生成模块预测新事实，不查询相关历史：

p(g)＝softmax(W_g[s,p,t_k]+b_g)

最终概率为拷贝概率与生成概率之和：

p(o|s,p,t)＝α·p(c)+(1-α)·p(g)。

8.根据权利要求1所述的基于时序知识图谱的事件检测方法，其特征在于，所述方法还包括：

在完成对所述预测模型的训练后，得到所述第二得分函数模型，以检测未来的事件，包括：头实体检测、尾实体检测和关系检测；其中，

所述头实体检测，包括：对于第一查询，将第一实体代入所述第一查询，得到所述第一实体的第一得分，从所述第一得分中选出得到最高的实体作为答案，以得到第一检测事件；

所述尾实体检测，包括：对于第二查询，将第二实体代入所述第二查询，得到所述第二实体的第二得分，从所述第二得分中选出得到最高的实体作为答案，以得到第二检测事件；

所述关系检测，包括：对于第三查询，将所有关系代入所述第三查询，得到所述所有关系的第三得分，从所述第三得分中选出得到最高的关系作为答案，以得到第三检测事件。

9.一种基于时序知识图谱的事件检测装置，其特征在于，包括：

获取模块，用于获取待检测事件，所述待检测事件包括多个文本数据以及每个文本数据对应的时间戳；

训练模块，用于根据补全后的时序知识图谱训练预测模型，得到训练好的预测模型；

检测模块，用于将所述待检测事件输入所述训练好的预测模型，以得到所述待检测事件的检测结果。

10.根据权利要求9所述的基于时序知识图谱的事件检测装置，其特征在于，所述训练模块，还用于：

根据时序知识图谱补全模型训练得到所述补全后的时序知识图谱。

Images