摘要
本发明公开了一种时序知识图谱补全方法,包括S1、构建时序知识图谱;S2、基于时序知识图谱中的已知历史事实,学习实体和关系随时间变化的模式,确定历史词汇向量,并对其进行优化,进而计算历史网络结构中历史实体概率;S3、基于时序知识图谱中的全部事实,通过关系嵌入向量显式引入关系编码,进而计算全局网络结构中全部实体概率;S4、结合历史实体概率和全部实体概率,得到每个备选对象实体作为待补全对象实体的最终概率,并根据其进行时序知识图谱补全。本发明通过基于时序嵌入的知识补全机制,学习历史网络结构中实体和关系随时间变化的模式,增强网络节点关系的链接预测能力,提升时序知识图谱嵌入的精度和时序知识图谱完整性。
技术关键词
知识图谱补全方法
时序
实体
LSTM模型
网络结构
对象
关系
强分类器
GRU模型
因子
指示器
弱分类器
模式
学习算法
表达式
索引
网络节点
系统为您推荐了相关专利信息
文本
能力提升方法
词嵌入模型
客服
编解码器架构
海上钻机
动态贝叶斯网络
动态演化模型
数字孪生模型
扩展卡尔曼滤波算法
智能检测系统
热压
栓剂
控制策略
融合多模态信息
状态空间模型
精准控制方法
参数
分布式传感系统
时序