一种基于重构网络的联邦知识图谱表示学习方法和系统

本发明公开了一种基于重构网络的联邦知识图谱表示学习方法，包括，对联邦知识图谱进行初始定义；构建位于服务器S的全局模型M；重建定义后的客户端实体的神经网络；从服务器中获取全局模型，并将其中的低维实体向量通过实体重建网络还原为本地实体向量；结合服务器全局模型、客户端的本地重建神经网络以及知识图谱表示学习损失函数进行联邦训练。本发明能够让知识图谱表示学习模型根据知识图谱的特性，自适应地学习到本地数据的特征，同时其低维的实体向量也可以有效的降低服务器‑客户端之间的通信复杂度，实现更有效的联邦知识图谱学习。