(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211383318.3 (22)申请日 2022.11.07 (71)申请人 巢湖学院 地址 238000 安徽省巢湖市巢湖经济开发 区半汤路1号 (72)发明人 吴其林　程军　曹骞　方周　 (74)专利代理 机构 合肥市浩智运专利代理事务 所(普通合伙) 34124 专利代理师 朱文振 (51)Int.Cl. G06F 16/36(2019.01) G06F 40/30(2020.01) G06N 3/08(2006.01) (54)发明名称 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 (57)摘要 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Tran sR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。 权利要求书3页 说明书8页 附图9页 CN 115438197 A 2022.12.06 CN 115438197 A 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 Ee与所述事件之 间的关系 Re， 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 Eg及实体间关系 Rg，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 Gsub， 并在 所述异质图表示学习过程中， 融合所述异质子图 Gsub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：权　利　要　求　书 1/3 页 2 CN 115438197 A 2据以描述节点 v1和节点vl+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＜ eeh,re,eet>， 以结点 eeh 作为头结点， 结点 eet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,margi n‑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(eeh,re,eet)=max(0,dpos‑dneg+margin) 其中，d=||eeh+re‑eet||， 表示L1、 L2范数，L是损失函数， re是向量et和eh之间的差， dpos 是正样本特 征距离，dneg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： eeh+re=eet。 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：权　利　要　求　书 2/3 页 3 CN 115438197 A 3