CN115658926B - 知识图谱的要素推测方法、装置、电子设备和存储介质 - Google Patents

Abstract

本发明涉及人工智能的知识工程的技术领域，提供一种知识图谱的要素推测方法、装置、电子设备和存储介质，其中方法包括：响应要素推测指令，接收输入待推测四元组，并计算待推测四元组的生成模式概率；获取预先所得到的静态关系矩阵，并根据静态关系矩阵得到当前知识图谱对应的动态关系矩阵；根据动态关系矩阵，得到待推测四元组对应的索引向量；构建在时间要素下的历史词汇矩阵，并根据索引向量和历史词汇矩阵，得到待推测四元组的复制模式概率；根据生成模式概率和复制模式概率，在当前知识图谱所包含的第三要素集合中确定目标第三要素。提高了动态知识图谱中要素推测的便捷性和准确性。

Description

知识图谱的要素推测方法、装置、电子设备和存储介质

技术领域

本发明涉及人工智能的知识工程技术领域，尤其涉及一种知识图谱的要素推测方法、装置、电子设备和存储介质。

背景技术

知识图谱可以看作是由多个要素组成的语义网络，比如三元组（s，p，o），主要用于描述现实世界中实体、概念或事件之间的关系。它广泛应用于知识检索、自然语言理解和医疗保健等领域。而三元组表示的语义网络所表达的关系往往是静态的，但是实际上，很多实体之间的关系是会随着时间的推移而变化，因此为了提高知识图谱的准确性，便提出了一种加入了时间属性的四元组，以构成动态知识图谱。

在实际应用中，自动构建的动态知识图谱往往是不完整的，需要对其中所包含的要素信息进行准确的补充。但是在进行补充时，有的方法是将知识图谱中动态变化的事件在时间序列上进行建模，以对所缺失的实体或关系进行推理和预测，但是这种方式忽略了全局特征对要素推测的影响，使得要素推荐不够准确；还有的是基于卷积神经网络学习各时间点的要素特征，但是由于是针对各时间点进行建模，使得使用时具有一定的局限性，使得便捷性较低。

发明内容

本发明提供一种知识图谱的要素推测方法、装置、电子设备和存储介质，用以解决现有技术中动态知识图谱补充不够便捷和准确的问题。

本发明提供一种知识图谱的要素推测方法，包括：

响应要素推测指令，接收输入待推测四元组，并计算所述待推测四元组的生成模式概率，其中所述待推测四元组包括第一要素、第二要素和时间要素，且待推测要素为第三要素，所述第一要素、所述第二要素和所述第三要素与机器人标识、关系和执行指令一一对应，且所述关系记录所述机器人标识与所述执行指令的对应关系；

获取预先所得到的静态关系矩阵，并根据所述静态关系矩阵得到当前知识图谱对应的动态关系矩阵；

根据所述动态关系矩阵，得到所述待推测四元组对应的索引向量；

构建在所述时间要素下的历史词汇矩阵，并根据所述索引向量和所述历史词汇矩阵，得到所述待推测四元组的复制模式概率；

根据所述生成模式概率和所述复制模式概率，在所述当前知识图谱所包含的第三要素集合中确定目标第三要素。

根据本发明提供的一种知识图谱的要素推测方法，所述获取预先所得到的静态关系矩阵，并根据所述静态关系矩阵得到当前知识图谱对应的动态关系矩阵，包括：

获取预先构建并优化后的静态关系矩阵；

构建时间矩阵，并根据所述静态关系矩阵和所述时间矩阵得到所述当前知识图谱对应的动态关系矩阵。

根据本发明提供的一种知识图谱的要素推测方法，所述根据所述动态关系矩阵，得到所述待推测四元组对应的索引向量，包括：

基于所述当前知识图谱，得到所述第一要素对应的第一矩阵，以及得到所述第三要素集合对应的第三矩阵，其中所述待推测四元组的第三要素包含在所述第三要素集合中；

基于要素的线性相关性，根据所述第一矩阵、所述动态关系矩阵和所述第三矩阵得到所述待推测四元组对应的索引向量。

根据本发明提供的一种知识图谱的要素推测方法，所述构建在所述时间要素下的历史词汇矩阵，并根据所述索引向量和所述历史词汇矩阵，得到所述待推测四元组的复制模式概率，包括：

基于所述第一要素和所述时间要素构建历史词汇表；

对所述历史词汇表进行赋值，得到历史词汇矩阵；

根据所述索引向量和所述历史词汇矩阵，得到复制模式矩阵，并基于所述复制模式矩阵进行概率计算，得到所述待推测四元组对应的复制模式概率。

根据本发明提供的一种知识图谱的要素推测方法，所述基于所述第一要素和所述时间要素构建历史词汇表，包括：

基于所述时间要素在所述当前知识图谱中进行查询，得到在所述时间要素下对应的三元组集合；

对所述三元组集合中每一个三元组包含的第三要素进行识别，得到所述三元组集合对应含的第三要素集合；

根据所述第一要素、第二要素和所述第三要素集合，构建历史词汇表。

根据本发明提供的一种知识图谱的要素推测方法，所述对所述历史词汇表进行赋值，得到历史词汇矩阵，包括：

在所述三元组集合中进行查询，确定所述历史词汇表中所包含的重组三元组是否存在于所述三元组集合中；

基于所述索引向量的矩阵特征，构建历史词汇矩阵；

将所述历史词汇表中确定存在于所述三元组集合中的重组三元组，在所述历史词汇矩阵中对应的位置赋值为第一阈值；

将所述历史词汇表中确定不存在于所述三元组集合中的重组三元组，在所述历史词汇矩阵中对应的位置赋值为第二阈值。

根据本发明提供的一种知识图谱的要素推测方法，所述根据所述生成模式概率和所述复制模式概率，在所述当前知识图谱所包含的第三要素集合中确定目标第三要素，包括：

将所述生成模式概率和所述复制模式概率输入至预设的概率计算公式中，得到每一个第三要素对应的概率值；

在所述概率值中确定最大概率值，并将所述最大概率值对应的第三要素作为目标要素。

本发明还提供一种知识图谱的要素推测装置，包括：

第一计算模块，用于响应要素推测指令，接收输入待推测四元组，并计算所述待推测四元组的生成模式概率，其中所述待推测四元组包括第一要素、第二要素和时间要素，且待推测要素为第三要素，所述第一要素、所述第二要素和所述第三要素与机器人标识、关系和执行指令一一对应，且所述关系记录所述机器人标识与所述执行指令的对应关系；

关系分类模块，用于获取预先所得到的静态关系矩阵，并根据所述静态关系矩阵得到当前知识图谱对应的动态关系矩阵；

索引确定模块，用于根据所述动态关系矩阵，得到所述待推测四元组对应的索引向量；

第二计算模块，用于构建在所述时间要素下的历史词汇矩阵，并根据所述索引向量和所述历史词汇矩阵，得到所述待推测四元组的复制模式概率；

要素确定模块，用于根据所述生成模式概率和所述复制模式概率，在所述当前知识图谱所包含的第三要素集合中确定目标第三要素。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述的知识图谱的要素推测方法。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的知识图谱的要素推测方法。

本发明提供的知识图谱的要素推测方法、装置、电子设备和存储介质，在进行要素推测时，首先计算生成模式下的生成模式概率，然后获取预先训练和优化好的静态关系矩阵，并且根据静态关系矩阵确定当前知识图谱所对应的动态关系矩阵，接着根据所得到的动态关系矩阵和基于当前知识图谱得到的历史词汇矩阵，构建和计算得到在复制模式下的复制模式概率，最后通过权重的赋予将生成模式概率和复制模式概率融合，根据概率高低得到最终的推测结果，即目标第三要素。通过对知识图谱中关系的分类，突出时间属性在知识图谱中的影响，并将其引入作为要素推测的依据，提高了要素推测的准确性。

附图说明

为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的知识图谱的要素推测方法的流程示意图；

图2是本发明提供的得到动态关系矩阵的过程的流程示意图；

图3为本发明提供的得到索引向量的过程的路程示意图；

图4为本发明提供的得到复制模式概率的过程的路程示意图；

图5为本发明提供的构建历史词汇表的过程的流程示意图；

图6为本发明提供的得到历史词汇矩阵的过程的流程示意图；

图7是本发明提供的知识图谱的要素推测装置的结构示意图；

图8是本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在人工智能领域，模仿人类对知识的理解、积累和运用是大大提高机器智能水平的重要途径。而根据已获取的知识信息进行逻辑推测，而不是简单的存储和复现，是机器实现高等智能的重要标志。

本发明所述的知识图谱可以将已获取的信息以结构化的且具有相互关联关系的知识形式进行存储，进而对知识图谱中未知要素进行推测，实现机器智能的逻辑推理能力。

如在机器人应用中，可以构建任务描述、当前环境与机器人执行指令的知识图谱，依据本发明所述的知识图谱要素推测方法，就可以在已知任务描述及当前环境时，推测机器人下一步应该执行的指令。由于在机器人应用中，有很多要素是一直不变的，如机器人各传感器的相对位置，操作范围，而有些要素是随时间变化的，如机器人移动到不同位置后周围环境变化，因此本发明利用静态与动态关系的分解，更精准地对图谱关系要素进行描述，大大提高预测的准确性，减少无效推理计算过程，增强计算的效率。

当然，除了可以将该方式应用在机器人控制领域中，还可以应用在其他引用知识图谱的领域，比如智能控制技术领域，再比如种类或类别划分领域，如文本类别划分、图片分类等。

下面结合图1-图6描述本发明的知识图谱的要素推测方法，基于本发明所描述的方法，可以通过准确的进行要素推荐，以满足在不同情况和场景下的实际需求。

图1是本发明提供的知识图谱的要素推测方法的流程示意图，如图1所示，该方法包括：

步骤101，响应要素推测指令，接收输入的待推测四元组，并计算所述待推测四元组的生成模式概率。

其中，知识图谱中包含有不同的要素，用于记录不同的实体之间的关系，针对不同的知识图谱，所包含的要素有一定的差异，比如对于基于三元组构成的知识图谱，包含有头实体、关系和尾实体，再比如对于基于四元组构成的知识图谱，包含有头实体、关系、尾实体和时间，也就是四元组相较于三元组而言，增加了一个时间变量，用以实现具有时间属性的实体之间的交互。而对于基于包含有时间变量的四元组所构成的知识图谱，也会被称为动态知识图谱。生成模式的设计是将事实视为全新的事实，不参考历史数据，从整个的实体中预测实体发生的概率。在机器人应用过程中，此时所构建得到的四元组可以包括：机器人标识（如编号）、关系、指令和时刻。

在动态知识图谱的构建中，由于其的不完整性，使得在构建四元组和知识图谱时需要对所确实的部分进行准确的补充，比如对头实体、关系或者尾实体中的一个或者多个进行补充。

具体地，在进行动态知识图谱的补充时，通过根据当前所包含的相关信息准确的推理和预测出当前所确实的信息，如头实体、关系和尾实体中的任一个要素，因此，在响应要素推测指令时，接收输入的待推测四元组，以进行相应的计算处理得到待推测四元组所对应的生成模式概率。

示例性地，在机器人的使用控制场景中，机器人的相关信息包括机器人标识、关系、执行指令和时间信息，且关系为机器人标识与执行指令的关联关系，随着时间的改变，机器人标识、关系和执行指令之间存在着一定的变化关系，在要素推测的过程中，第一要素、第二要素和第三要素分别于机器人标识、关系和执行指令一一对应，其中，在第一要素为机器人标识、第二要素为关系时，第三要素为执行指令，在第一要素为机器人标识、第二要素为执行指令时，第三要素为关系，在第一要素为关系、第二要素为执行指令时，第三要素为机器人标识，另外第一要素和第二要素可以互相替换。

需要说明的是，对于四元组（s，p，o，t）中的每一个部分，在各实施例中均以要素进行表述，具体地，将时间信息t称为事件要素，将头实体s、关系p和尾实体o分别称之为第一要素、第二要素和第三要素，而具体哪一个为第一要素、第二要素和第三要素不做限制。为了便于解释说明，在各实施例中，以基于已知的头实体和关系预测和补充尾实体为例进行说明，即此时所接收到的待推测四元组为（s，p，X，t），其中头实体s为第一要素，关系p为第二要素，时间t为时间要素，X为要进行推测的第三要素。

在实际应用中，在进行要素推测时，通常需要预先进行学习和训练得到用于进行推测的模型或者逻辑等，在此以基于模型实现要素的推测为例，通过预先对模型的学习和训练，使得在使用过程中，直接输入进行相应的四元组信息，即可对四元组中需要进行补充的要素进行推测和补充。

具体地，在进行计算得到待推测四元组所包含的生成模式概率时，需要预先构建和学习用于进行计算的方式或者逻辑，使得在需要使用的时候可以直接进行引用。

示例性地，在构建用于计算的初始逻辑和方式时，可以根据基于神经网络的学习模型构建一个用以表示在生成模式下的预测向量，再通过概率计算得到不同的尾实体所对应的概率。

在构建初始逻辑之后进行一定的学习和训练，对于所构建的初始逻辑可以为：

；

其中，为头实体、为关系、为时间，和是模型参数。

通过学习和训练，对模型参数进行优化。而在对模型参数进行训练时，通过获取整个知识图谱中所包含四元组进行训练，且每一个四元组中都包含有完整的头实体、关系、尾实体和时间。

同时，在计算得到待推测四元组的生成模式概率时，可以通过函数进行计算，以得到生成模式下未知量的预测概率，其中基于函数进行概率计算的公式可以为：。

通过利用动态知识图谱中已经存在且完成的四元组作为训练和优化的依据，得到用于计算生成模式概率的模型或者逻辑方法。

步骤102，获取预先所得到的静态关系矩阵，并根据静态关系矩阵得到当前知识图谱对应的动态关系矩阵。

在实际应用中，由于在四元组中添加了时间维度信息，同时随着时间的变化，已经存在的四元组中所包含的信息会有所变化，比如在t1和t2时刻存在有两个四元组，分别为（a1，p1，b1，t1）和（a1，p2，b1，t2），即在两个时刻时头实体a1和尾实体b1的关系不同，也就是相同的头实体和尾实体之间的关系，可能会随着时间的推移而发生改变，当然，也并不是所有的实体之间的关系都会随着时间的推移而发生改变。

因此，可以将知识图谱中的关系进行划分，具体可以依据关系是否随时间可变，分为动态关系和静态关系，然后通过引入时间的变化参数，得到当前知识图谱所对应的动态关系矩阵。

参照图2，图2是本发明提供的得到动态关系矩阵的过程的流程示意图。其中，动态关系矩阵的得到步骤包括：

步骤201，获取预先构建并优化后的静态关系矩阵；

步骤202，构建时间矩阵，并根据静态关系矩阵和时间矩阵得到当前知识图谱对应的动态关系矩阵。

由于知识图谱和四元组中所记录的时间具有时间属性，且有的关系会随着时间推移而发生变化，因此对于关系要素而言，可以根据其是否可变将其分为动态关系和静态关系，其中，动态关系是随时间的推移会发生变化的关系，静态关系为随时间变化永远不会发生变化的关系，如在机器人控制过程中，机器人传感设备相对位置关系是一个静态关系。再比如在其他的领域和场景中，人与人之间的血缘关系也是一个静态关系。

具体地，在进行处理得到动态关系矩阵时，首先获取预先构建并优化后的静态关系矩阵，然后在构建得到相应的静态关系矩阵之后，构建一时间矩阵，以根据所得到的静态关系矩阵和时间矩阵得到当前知识图谱所对应的动态关系矩阵。

示例性地，在构建时间矩阵T时，对于时间矩阵中所包含的数据，基于时间向量和时间戳的点积得到，也就是通过将时间向量与时间戳进行点积，得到时间矩阵中对应位置的具体数据。

同时，在得到时间矩阵之后，知识图谱中随时间变化的动态关系可表示为静态关系R与时间矩阵T的hadamard积，即为R*T。最后，在得到整个知识图谱的动态关系矩阵时，动态关系矩阵，且。

对于此时所使用的静态关系矩阵，是预先进行构建并优化训练好的。由于在四元组中，关系可能会随着时间的推移而发生改变，同样的也会存在关系固定不变的情况，因此在训练过程中，基于关系的变化，构建一个静态关系矩阵，同时针对进行训练时所使用的样本构建相应的时间矩阵，进而构建训练样本所对应的动态关系矩阵，然后通过训练，对静态关系矩阵进行优化，以便后续的使用。而在具体的使用过程中，通过加载预先训练和优化好的静态关系矩阵，基于此时所针对的知识图谱构建相对应的时间矩阵，得到此时知识图谱所对应的动态关系矩阵。

步骤103，根据动态关系矩阵，得到待推测四元组对应的索引向量。

具体地，动态关系矩阵记录着头实体与尾实体之间的关系，同时包含着时间维度上的信息，即不同时刻实体之间的关系，而在根据所输入的待推测四元组对需要进行补充的要素进行推测时，通过需要建立头实体与所有的尾实体之间的索引关系，即索引向量，因此在得到动态关系矩阵时，根据待推测四元组中所包含的头实体和动态关系矩阵，基于整个知识图谱得到相对应的索引向量。

参照图3，图3为本发明提供的得到索引向量的过程的路程示意图。其中该过程包括：

步骤301，基于当前知识图谱，得到第一要素对应的第一矩阵，以及得到第三要素集合对应的第三矩阵，其中待推测四元组的第三要素包含在第三要素集合中；

步骤302，基于要素的线性相关性，根据第一矩阵、动态关系矩阵和第三矩阵得到待推测四元组对应的索引向量。

在根据所得到的动态关系矩阵得到待推测四元组所对应的索引向量时，可以利用相关的张量分解方法进行相应的处理得到。对于当前知识图谱，包含有若干头实体、关系和尾实体，在进行尾实体的推测时，根据已知的头实体、关系和时间在所有的尾实体中确定一个相关联的尾实体作为最后的推测结果。

具体地，首先根据当前知识图谱，得到第一要素对应的第一矩阵，以及得到第三要素集合对应的第三矩阵，其中，在以前述描述的推测场景（进行尾实体的推测和补充）为例时，第一要素为头实体，第三要素为尾实体，第三要素集合为知识图谱中所有尾实体所构成的集合。示例性地，通过在知识图谱中对头实体和尾实体的提取，得到已知实体的矩阵和所有尾实体构成的集合的矩阵。

然后，基于要素之间的相关性，根据所得到的第一矩阵、第三矩阵和动态关系矩阵，得到与待推测四元组相对应的索引向量。实际的，对于所得到的索引向量，包含着第一要素与所有第三要素之间的索引关系，但是并不一定标识四元组中所记录的第一要素与第三要素是正确的，即索引向量所指的对象实体（尾实体）与已知实体（头实体）的对应关系不一定正确，需要进一步地对所得到的索引向量进行处理，以判断和确定索引向量的正确性。

示例性地，在得到索引向量时，可以利用双线性评分函数等张量分解方法，确定已知实体、关系矩阵和整个对象实体集之间的相关性，在确定了相关性之后，即可得到相对应的索引向量：

如；

其中，S表示已知实体的矩阵，为动态关系矩阵，为所有对象实体的矩阵，为索引向量。具体地，已知实体为第一要素，S为第一矩阵，对象实体为第三要素，为第三矩阵。

步骤104，构建在时间要素下的历史词汇矩阵，并根据索引向量和历史词汇矩阵，得到待推测四元组的复制模式概率。

具体地，在得到了待推测四元组所对应的索引向量时，可以基于整个的知识图谱构建一个在时间要素所对应的时刻下的历史词汇矩阵，然后按照所设定的计算方式，得到待推测四元组在复制模式下的复制模式概率。

需要说明的是，复制模式的设计是为了识别重复的事实，通过复制历史事件来预测未来可能重复出现的事实。比如所输入的待推测四元组为（s1，p1，X，t1），若在整个知识图谱的历史事件中存在有三元组（s1，p1，t1），那么出现尾实体的概率将会增加，反之则出现尾实体的概率将会降低。

参照图4，图4为本发明提供的得到复制模式概率的过程的路程示意图。其中该过程包括：

步骤401，基于第一要素和时间要素构建历史词汇表；

步骤402，对历史词汇表进行赋值，得到历史词汇矩阵；

步骤403，根据索引向量和历史词汇矩阵，得到复制模式矩阵，并基于复制模式矩阵进行概率计算，得到待推测四元组对应的复制模式概率。

在得到复制模式概率时，首先需要得到复制模型下的矩阵，然后再进行概率计算得到在复制模式下的复制模式概率。

具体地，首先根据所接收到的待推测四元组中包含的第一要素和时间要素，构建一个历史词汇表，然后对历史词汇表中个位置进行赋值，以生成得到历史词汇矩阵，最后根据所得到的历史词汇矩阵和预先所得到的索引向量，得到在复制模式矩阵，进而通过概率计算得到在复制模式下的复制模式概率。

在生成得到历史词汇表时，不限定历史词汇表的具体形式，只需要对完整记录所需要的数据即可，比如可以直接链式排列，再比如可以按照矩阵形式排列。而对于历史词汇表中所包含的数据，是记录着头实体、关系与尾实体的三元组，当然，由于是进行尾实体的推测，所以对于历史词汇表中所包含的三元组中是否包含有尾实体是否是正确的是不确定的，也就是所记录的三元组中可能存在正确的三元组，且可能会存在错误的三元组。

参照图5，图5为本发明提供的构建历史词汇表的过程的流程示意图。其中该过程包括：

步骤501，基于时间要素在当前知识图谱中进行查询，得到在时间要素下对应的三元组集合；

步骤502，对三元组集合中每一个三元组包含的第三要素进行识别，得到三元组集合对应的第三要素集合；

步骤503，根据第一要素、第二要素和第三要素集合，构建历史词汇表。

具体地，为了得到历史词汇表，首先根据所接收到的待推测四元组中的时间要素在当前知识图谱中进行查询，在确定时间要素不变的情况下，查询包含头实体、关系和尾实体所组成的三元组，然后对所得到的所有三元组中所包含的第三要素进行识别，得到在该时间要素下所对应的第三要素集合，最后根据第一要素、第二要素和第三要素集合进行三元组的重组，以构建得到相对应的历史词汇表。

示例性地，在构建在时间要素下的历史词汇表时，通过确定知识图谱在该时间要素下所有的出现的尾实体，再通过三元组的重组实现历史词汇表的构建。

比如，在构建时刻的历史词汇表时，上标s和p为已知的头实体和关系，在确定了三元组中的头实体和关系时，确定在时刻知识图谱中所存在的所有的三元组，通过对三元组中所包含的尾实体进行识别，确定在时刻下所存在的所有尾实体，通过三元组的重组得到历史词汇表。

如，在时刻所存在的尾实体的数量为10，分别为o1至o10，那么在进行三元组重组得到历史词汇表时，历史词汇表中所包含的三元组分别为（s，p，o1）至（s，p，o2）。

另外，在构建得到历史词汇表时，除了可以首先获取在该时间要素下的所有三元组之外，还可以直接进行尾实体的查找。具体地，在进行查询时，可以基于尾实体进行查找，对于同一尾实体不进行重复的比对。也就是，在查找时刻所包含的所有尾实体时，不考虑头实体和关系，仅仅对在该时间要素下的所有尾实体进行比对查询，进而在得到的在时刻下的所有尾实体时进行三元组重组。

显然，对于重组的三元组，并不一定是正确的三元组，还需要进行进一步的筛选处理，以确定是否存在正确的三元组。而在进行处理时，通过复制处理构建得到历史词汇表相对应的历史词汇矩阵，进而通过将历史词汇矩阵与预先得到的索引向量进行处理，得到在复制模式下的复制模式矩阵，最后通过概率计算得到在复制模式下的概率。

而在构建得到历史词汇矩阵时，可以参照图6，图6为本发明提供的得到历史词汇矩阵的过程的流程示意图。其中该过程包括：

步骤601，在三元组集合中进行查询，确定历史词汇表中所包含的重组三元组是否存在于三元组集合中；

步骤602，基于索引向量的矩阵特征，构建历史词汇矩阵；

步骤603，将历史词汇表中确定存在于三元组集合中的重组三元组，在历史词汇矩阵中对应的位置赋值为第一阈值；

步骤604，将历史词汇表中确定不存在于三元组集合中的重组三元组，在历史词汇矩阵中对应的位置赋值为第二阈值。

在构建得到历史词汇矩阵时，通过将所得到的历史词汇表与三元组集合进行对比，确定在三元组集合中是否存在历史词汇表所包含的重组三元组，进而完成对所构建的历史词汇矩阵的赋值。

具体地，三元组集合是在时间要素下知识图谱中所对应的三元组的集合，历史词汇表是通过三元组重组得到的，在进行赋值时，通过确定重组得到的三元组是否存在于三元组集合中实现赋值。示例性地，对于重组的一个三元组，若其确定于三元组集合中，则在进行矩阵的赋值时，赋值为第一阈值，反之则赋值为第二阈值。

比如，在进行赋值时，对于第一阈值和第二阈值的具体设置不限，在此可以将第一阈值设置为1，将第二阈值设置为一个极小的负数（如-9999）。

对于最后所得到的历史词汇矩阵，为了便于后续的计算，对历史词汇矩阵的矩阵结构有一定的限制，需要满足后续所存在的矩阵计算，比如矩阵的点积、叉乘和相加等。因此在构建历史词汇矩阵时，基于前面所得到的索引向量的矩阵结构进行构建，对于矩阵中各位置的数值，则是通过历史词汇表与三元组集合的对比来确定。

另外，在计算复制模式概率时，首先根据所得到的索引向量和历史词汇矩阵得到相应的复制模式矩阵，然后根据所设定的概率计算方式计算在复制模式下的概率。

具体地，在进行计算得到复制模式概率时，可以通过矩阵的相加得到。在得到索引向量和历史词汇矩阵之后，通过相加处理得到复制模式下的矩阵，其中。

而在计算在复制模式下的概率时，可以按照得到在生成模式下的概率的方式，基于函数进行概率的计算，且复制模式概率。

步骤105，根据生成模式概率和复制模式概率，在当前知识图谱所包含的第三要素集合中确定目标第三要素。

具体地，在通过计算得到的生成模式概率和复制模式概率之后，将根据两者确定与待推测四元组相对应的目标第三要素。

在实际过程中，为了对(s，p，X，t)为了进行预测，即进行尾实体的预测，复制模式和生成模式都给出了相应的预测结果，两者的预测对象都是整个实体集。而为了保证实体集中所有实体的概率之和等于1，引入了一个系数α来调整复制模式和生成模式之间的权重，通过对两者的概率求和，得到每个实体对应整个实体向量的概率大小。而最终的预测结果是组合概率最高的实体，其中，在确定所预测的尾实体时，所使用的预测概率公式为：

；

其中，为预测未知实体为o的概率，α∈[0,1]。

在利用所使用的公式进行计算时，可以直接选择概率值中最高概率值所对应的实体作为目标第三要素输出，即。

对于权重参数α，具体的设置方式和数值不限，但是为了能够更加准确的完成对尾实体的推测，可以利用相关的学习模型对权重参数α的优化和确定。而具体地的训练过程可以，利用MLP构建相关的学习模型，然后以当前知识图谱作为数据集，进而通过训练得到适合的权重参数。

在训练过程中，可以以交叉熵损失作为学习和训练是否完成的判断方式，比如设置交叉熵损失函数为：

；

其中，是第 i 个尾实体，是当尾实体为时整个知识图谱中第k个尾实体的概率值。

需要说明的是，处理对其设置相应的权重参数，还可以直接预先训练一个神经网络模型，使用神经网络模型代替后续的概率预测公式，也就是将权重隐藏，使用训练好的神经网络模型替代参数，将所得到的生成模式概率和复制模式概率输入到训练好的神经网络模型中，以直接输入最终的预测实体。也可以直接对整个的要素推测过程进行模型化，预先基于当前知识图谱进行训练，最后直接输入待推测四元组即可输出得到完整的四元组。

本发明实施例提供的方法，在进行要素推测时，首先计算生成模式下的生成模式概率，然后获取预先训练和优化好的静态关系矩阵，并且根据静态关系矩阵确定当前知识图谱所对应的动态关系矩阵，接着根据所得到的动态关系矩阵和基于当前知识图谱得到的历史词汇矩阵，构建和计算得到在复制模式下的复制模式概率，最后通过权重的赋予将生成模式概率和复制模式概率融合，根据概率高低得到最终的推测结果，即目标第三要素。通过对知识图谱中关系的分类，突出时间属性在知识图谱中的影响，并将其引入作为要素推测的依据，提高了要素推测的准确性。

下面对本发明提供的知识图谱的要素推测装置进行描述，下文描述的知识图谱的要素推测装置与上文描述的知识图谱的要素推测方法可相互对应参照。

图7是本发明提供的知识图谱的要素推测装置的结构示意图，如图7所示，该知识图谱的要素推测装置700包括：

第一计算模块701，用于响应要素推测指令，接收输入待推测四元组，并计算待推测四元组的生成模式概率，其中待推测四元组包括第一要素、第二要素和时间要素，且待推测要素为第三要素，第一要素、第二要素和第三要素与机器人标识、关系和执行指令一一对应，且关系记录机器人标识与执行指令的对应关系；

关系分类模块702，用于获取预先所得到的静态关系矩阵，并根据静态关系矩阵得到当前知识图谱对应的动态关系矩阵；

索引确定模块703，用于根据动态关系矩阵，得到待推测四元组对应的索引向量；

第二计算模块704，用于构建在时间要素下的历史词汇矩阵，并根据索引向量和历史词汇矩阵，得到待推测四元组的复制模式概率；

要素确定模块705，用于根据生成模式概率和复制模式概率，在当前知识图谱所包含的第三要素集合中确定目标第三要素。

本发明提供的知识图谱的要素推测装置，在进行要素推测时，首先计算生成模式下的生成模式概率，然后对知识图谱中关系的类别进行分类，将知识图谱分解为静态关系和时序动态关系，并且根据静态关系确定当前知识图谱所对应的动态关系矩阵，接着根据所得到的动态关系矩阵和基于当前知识图谱得到的历史词汇矩阵，构建和计算得到在复制模式下的复制模式概率，最后通过权重的赋予将生成模式概率和复制模式概率融合，根据概率高低得到最终的推测结果，即目标第三要素。通过对知识图谱中关系的分类，突出时间属性在知识图谱中的影响，并将其引入作为要素推测的依据，提高了要素推测的准确性。

基于上述实施例，关系分类模块，还用于：

获取预先构建并优化后的静态关系矩阵；

构建时间矩阵，并根据静态关系矩阵和时间矩阵得到当前知识图谱对应的动态关系矩阵。

基于上述实施例，索引确定模块，还用于：

基于当前知识图谱，得到第一要素对应的第一矩阵，以及得到第三要素集合对应的第三矩阵，其中待推测四元组的第三要素包含在第三要素集合中；

基于要素的线性相关性，根据第一矩阵、动态关系矩阵和第三矩阵得到待推测四元组对应的索引向量。

基于上述实施例，第二计算模块，还用于：

基于第一要素和时间要素构建历史词汇表；

对历史词汇表进行赋值，得到历史词汇矩阵；

根据索引向量和历史词汇矩阵，得到复制模式矩阵，并基于复制模式矩阵进行概率计算，得到待推测四元组对应的复制模式概率。

基于上述实施例，索引确定模块，还用于：

基于时间要素在当前知识图谱中进行查询，得到在时间要素下对应的三元组集合；

对三元组集合中每一个三元组包含的第三要素进行识别，得到三元组集合对应含的第三要素集合；

根据第一要素、第二要素和第三要素集合，构建历史词汇表。

基于上述实施例，索引确定模块，还用于：

在三元组集合中进行查询，确定历史词汇表中所包含的重组三元组是否存在于三元组集合中；

基于索引向量的矩阵特征，构建历史词汇矩阵；

将历史词汇表中确定存在于三元组集合中的重组三元组，在历史词汇矩阵中对应的位置赋值为第一阈值；

将历史词汇表中确定不存在于三元组集合中的重组三元组，在历史词汇矩阵中对应的位置赋值为第二阈值。

基于上述实施例，要素确定模块，还用于：

将生成模式概率和复制模式概率输入至预设的概率计算公式中，得到每一个第三要素对应的概率值；

在概率值中确定最大概率值，并将最大概率值对应的第三要素作为目标要素。

图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器（processor）810、通信接口（Communications Interface）820、存储器（memory）830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行知识图谱的要素推测方法，该方法包括：响应要素推测指令，接收输入待推测四元组，并计算待推测四元组的生成模式概率，其中待推测四元组包括第一要素、第二要素和时间要素，且待推测要素为第三要素，第一要素、第二要素和第三要素与机器人标识、关系和执行指令一一对应，且关系记录机器人标识与执行指令的对应关系；获取预先所得到的静态关系矩阵，并根据静态关系矩阵得到当前知识图谱对应的动态关系矩阵；根据动态关系矩阵，得到待推测四元组对应的索引向量；构建在时间要素下的历史词汇矩阵，并根据索引向量和历史词汇矩阵，得到待推测四元组的复制模式概率；根据生成模式概率和复制模式概率，在当前知识图谱所包含的第三要素集合中确定目标第三要素。

此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的知识图谱的要素推测方法，该方法包括：响应要素推测指令，接收输入待推测四元组，并计算待推测四元组的生成模式概率，其中待推测四元组包括第一要素、第二要素和时间要素，且待推测要素为第三要素，第一要素、第二要素和第三要素与机器人标识、关系和执行指令一一对应，且关系记录机器人标识与执行指令的对应关系；获取预先所得到的静态关系矩阵，并根据静态关系矩阵得到当前知识图谱对应的动态关系矩阵；根据动态关系矩阵，得到待推测四元组对应的索引向量；构建在时间要素下的历史词汇矩阵，并根据索引向量和历史词汇矩阵，得到待推测四元组的复制模式概率；根据生成模式概率和复制模式概率，在当前知识图谱所包含的第三要素集合中确定目标第三要素。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法所提供的知识图谱的要素推测方法，该方法包括：响应要素推测指令，接收输入待推测四元组，并计算待推测四元组的生成模式概率，其中待推测四元组包括第一要素、第二要素和时间要素，且待推测要素为第三要素，第一要素、第二要素和第三要素与机器人标识、关系和执行指令一一对应，且关系记录机器人标识与执行指令的对应关系；获取预先所得到的静态关系矩阵，并根据静态关系矩阵得到当前知识图谱对应的动态关系矩阵；根据动态关系矩阵，得到待推测四元组对应的索引向量；构建在时间要素下的历史词汇矩阵，并根据索引向量和历史词汇矩阵，得到待推测四元组的复制模式概率；根据生成模式概率和复制模式概率，在当前知识图谱所包含的第三要素集合中确定目标第三要素。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种知识图谱的要素推测方法，其特征在于，包括：

响应要素推测指令，接收输入待推测四元组，并根据所述待推测四元组得到对应的初始逻辑，以根据所述初始逻辑进行计算得到所述待推测四元组的生成模式概率，其中所述待推测四元组包括第一要素、第二要素、第三要素和时间要素，且待推测要素为所述第三要素，所述第一要素、所述第二要素和所述第三要素与机器人标识、关系和执行指令一一对应，且所述关系记录所述机器人标识与所述执行指令的对应关系，且所述初始逻辑的输入量为所述第一要素、第二要素和所述时间要素；

其中，所述初始逻辑为：，为第一要素、为第二要素、为时间要素，和是所述初始逻辑优化后的参数；

获取预先所得到的静态关系矩阵，并根据所述静态关系矩阵和时间矩阵得到当前知识图谱对应的动态关系矩阵；

其中，获取所述静态关系矩阵的步骤包括：

根据所述当前知识图谱中第二要素是否基于时间变化而改变，对所述当前知识图谱的第二要素进行分类得到动态关系和静态关系；

在所述当前知识图谱中获取与所述静态关系的关联的第一要素和第三要素，并进行矩阵转换得到对应的静态关系矩阵；

且，所述动态关系矩阵基于所述动态关系关联的第一要素、第二要素和时间要素构成的四元组得到；

根据所述动态关系矩阵、所述第一要素和所述当前知识图谱中的第三要素，得到在所述当前知识图谱中所述待推测四元组对应的索引向量，其中所述索引向量记录所述第一要素和所述当前知识图谱中的第三要素的对应关系；

根据所述第一要素和所述时间要素得到历史词汇矩阵，并根据所述索引向量和所述历史词汇矩阵得到复制模式矩阵，以根据所述复制模式矩阵进行计算得到所述待推测四元组的复制模式概率；

根据所述生成模式概率和所述复制模式概率，在所述当前知识图谱所包含的第三要素集合中确定目标第三要素。

2.根据权利要求1所述的知识图谱的要素推测方法，其特征在于，所述获取预先所得到的静态关系矩阵，并根据所述静态关系矩阵和时间矩阵得到当前知识图谱对应的动态关系矩阵，包括：

获取预先构建并优化后的静态关系矩阵；

构建时间矩阵，并根据所述静态关系矩阵和所述时间矩阵得到当前知识图谱对应的动态关系矩阵。

3.根据权利要求1所述的知识图谱的要素推测方法，其特征在于，所述根据所述动态关系矩阵、所述第一要素和所述当前知识图谱中的第三要素，得到所述待推测四元组对应的索引向量，包括：

基于所述当前知识图谱，得到所述第一要素对应的第一矩阵，以及得到所述第三要素集合对应的第三矩阵，其中所述待推测四元组的第三要素包含在所述第三要素集合中；

基于要素的线性相关性，根据所述第一矩阵、所述动态关系矩阵和所述第三矩阵得到所述待推测四元组对应的索引向量。

4.根据权利要求1所述的知识图谱的要素推测方法，其特征在于，所述根据所述第一要素和所述时间要素得到历史词汇矩阵，并根据所述索引向量和所述历史词汇矩阵得到复制模式矩阵，以根据所述复制模式矩阵进行计算得到所述待推测四元组的复制模式概率，包括：

基于所述第一要素和所述时间要素构建历史词汇表；

对所述历史词汇表进行赋值，得到历史词汇矩阵；

根据所述索引向量和所述历史词汇矩阵，得到复制模式矩阵，并基于所述复制模式矩阵进行概率计算，得到所述待推测四元组对应的复制模式概率。

5.根据权利要求4所述的知识图谱的要素推测方法，其特征在于，所述基于所述第一要素和所述时间要素构建历史词汇表，包括：

基于所述时间要素在所述当前知识图谱中进行查询，得到在所述时间要素下对应的三元组集合；

对所述三元组集合中每一个三元组包含的第三要素进行识别，得到所述三元组集合对应含的第三要素集合；

根据所述第一要素、第二要素和所述第三要素集合，构建历史词汇表。

6.根据权利要求5所述的知识图谱的要素推测方法，其特征在于，所述对所述历史词汇表进行赋值，得到历史词汇矩阵，包括：

在所述三元组集合中进行查询，确定所述历史词汇表中所包含的重组三元组是否存在于所述三元组集合中；

基于所述索引向量的矩阵特征，构建历史词汇矩阵；

将所述历史词汇表中确定存在于所述三元组集合中的重组三元组，在所述历史词汇矩阵中对应的位置赋值为第一阈值；

将所述历史词汇表中确定不存在于所述三元组集合中的重组三元组，在所述历史词汇矩阵中对应的位置赋值为第二阈值。

7.根据权利要求1所述的知识图谱的要素推测方法，其特征在于，所述根据所述生成模式概率和所述复制模式概率，在所述当前知识图谱所包含的第三要素集合中确定目标第三要素，包括：

将所述生成模式概率和所述复制模式概率输入至预设的概率计算公式中，得到每一个第三要素对应的概率值；

在所述概率值中确定最大概率值，并将所述最大概率值对应的第三要素作为目标要素。

8.一种知识图谱的要素推测装置，其特征在于，包括：

第一计算模块，用于响应要素推测指令，接收输入待推测四元组，并根据所述待推测四元组得到对应的初始逻辑，以根据所述初始逻辑进行计算得到所述待推测四元组的生成模式概率，其中所述待推测四元组包括第一要素、第二要素、第三要素和时间要素，且待推测要素为所述第三要素，所述第一要素、所述第二要素和所述第三要素与机器人标识、关系和执行指令一一对应，且所述关系记录所述机器人标识与所述执行指令的对应关系；

其中，所述初始逻辑为：，为第一要素、为第二要素、为时间要素，和是所述初始逻辑优化后的参数；

关系分类模块，用于获取预先所得到的静态关系矩阵，并根据所述静态关系矩阵和时间矩阵得到当前知识图谱对应的动态关系矩阵；

其中，获取所述静态关系矩阵的步骤包括：

根据所述当前知识图谱中第二要素是否基于时间变化而改变，对所述当前知识图谱的第二要素进行分类得到动态关系和静态关系；

在所述当前知识图谱中获取与所述静态关系的关联的第一要素和第三要素，并进行矩阵转换得到对应的静态关系矩阵；

且，所述动态关系矩阵基于所述动态关系关联的第一要素、第二要素和时间要素构成的四元组得到；

索引确定模块，用于根据所述动态关系矩阵、所述第一要素和所述当前知识图谱中的第三要素，得到在所述当前知识图谱中所述待推测四元组对应的索引向量，其中所述索引向量记录所述第一要素和所述当前知识图谱中的第三要素的对应关系；

第二计算模块，用于根据所述第一要素和所述时间要素得到历史词汇矩阵，并根据所述索引向量和所述历史词汇矩阵得到复制模式矩阵，以根据所述复制模式矩阵得到所述待推测四元组的复制模式概率；

要素确定模块，用于根据所述生成模式概率和所述复制模式概率，在所述当前知识图谱所包含的第三要素集合中确定目标第三要素。

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述知识图谱的要素推测方法。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述知识图谱的要素推测方法。

Images