1.基于Reptile的元学习开放世界知识图谱补全方法,其特征在于,所述方法包括:S1、获取待补全的开放知识图谱以及其中的实体和关系的文本描述;
S2、将待补全的开放知识图谱按照任务关系的不同,按照比例划分为元训练集、元验证集和元测试集;
S3、经过若干批次的训练获得少样本开放世界知识图谱补全模型;
S4、通过任务关系的少量样本,对步骤S3得到的少样本开放世界知识图谱补全模型的参数进行快速更新,得到能够适应新任务的模型;
S5、采用步骤S4得到的少样本开放世界知识图谱补全模型,对元测试任务进行补全。
2.根据权利要求1所述的基于Reptile的元学习开放世界知识图谱补全方法,其特征在于,在步骤S2中,按照比例划分的数据集组成三元组集合,在训练过程、验证过程或测试过程中,选择一个任务关系的三元组集合,作为元训练任务、元验证任务或元测试任务。
3.根据权利要求2所述的基于Reptile的元学习开放世界知识图谱补全方法,其特征在于,所述元训练任务、元验证任务和元测试任务分别对应元训练阶段、元验证阶段和元测试阶段;
其中,在元训练阶段过程中,进行若干批次的训练获得少样本开放世界知识图谱补全模型。
4.根据权利要求3所述的基于Reptile的元学习开放世界知识图谱补全方法,其特征在于,根据Reptile方法,所述元测试阶段包含训练阶段和测试阶段,其中,在元测试阶段中的训练阶段,是使用任务关系的少数样本对模型参数进行快速更新,以快速适应新任务。
5.根据权利要求2或4所述的基于Reptile的元学习开放世界知识图谱补全方法,其特征在于,所述数据集划分的具体步骤如下:(1)对数据集D,将数据集中的三元组按照关系划分为不同的任务Dr={(hi,r,ti)|(hi,r,ti)∈F};
(2)按照一定比例,将所有任务进一步划分为元训练集Ttrain,元验证集Tval和元测试集Ttest。
6.根据权利要求5所述的基于Reptile的元学习开放世界知识图谱补全方法,其特征在于,将元测试集Ttest中的每个任务Dtest划分为参考集Stest和查询集Qtest,参考集表示为Stest={(hi,rtest,ti)|(hi,rtest,ti)∈F},Stest是用来快速更新模型参数的样本集,且参考集的大小统一为K;
将每一个缺失三元组(h,r,?)定义为查询三元组,那么查询集Qtest={(hi,rtest,?)};
元验证集Tval={Sval,Qval}。
7.根据权利要求5所述的基于Reptile的元学习开放世界知识图谱补全方法,其特征在于,元训练集Ttrain不划分参考集和查询集,在元训练过程中,限定每个任务关系具有K个样本三元组,通过K个样本来训练模型。
8.根据权利要求4所述的基于Reptile的元学习开放世界知识图谱补全方法,其特征在于,所述元训练阶段和元测试阶段的训练阶段,都是采用TransE的评分函数对正负例三元组进行评分,TransE评分函数如下:score(h,t)=||eh+er‑et||;
其中,eh为头实体嵌入;et为尾实体嵌入;er为关系嵌入。
9.根据权利要求8所述的基于Reptile的元学习开放世界知识图谱补全方法,其特征在于,在元训练阶段和元测试阶段的训练阶段中,使用铰链损失函数定义模型的损失函数:L=[γ+score(h,t)‑score(h,t′)]+;
其中,score(h,t)和score(h,t′)分别是正例三元组和负例三元组的匹配得分,负例三元组是通过随机替换正例三元组的尾实体得到的;γ是大于0的间隔超参数,用于区分正负三元组的间隔;[x]+=max{0,x}表示标准铰链损失函数。
10.根据权利要求9所述的基于Reptile的元学习开放世界知识图谱补全方法,其特征在于,所述头实体、尾实体和关系的嵌入表示采用Bi‑LSTM和CNN模型相结合生成。