1.基于马尔可夫逻辑网络的时序知识图谱推理方法,其特征在于,包括:读取时序知识图谱并进行处理生成时序谓词序列;
利用LSTM获取所述时序谓词序列的嵌入表征,通过马尔科夫逻辑网络建立已知三元组和隐藏三元组的联合分布;
基于变分期望最大化算法结合知识图谱嵌入技术对所述联合分布进行推理和学习,完成时序知识图谱推理任务;
所述时序谓词序列的生成包括,
读取待处理的时序知识图谱;
若所述时序知识图谱的三元组中带有时间戳元素,则将三元组的谓词与所述时间戳元素进行连接,生成长度为N的时序谓词序列pseq,进而将所述时序知识图谱的三元组(h,p,t,time)转化为(h,pseq,time)的形式;
若所述时序知识图谱的三元组中不带有时间戳元素,则直接将原谓词视为时序谓词序列pseq;
所述时序谓词序列的嵌入表征的获取包括,
将所述时序谓词序列pseq输入到LSTM的线性层获取所述时序谓词序列pseq对应的嵌入向量,并将所述嵌入向量作为LSTM的输入;
将LSTM最后一个隐藏状态的表示hN作为所述时序谓词序列pseq的最终嵌入,即并将所述时序知识图谱的头实体和尾实体分别进行嵌入,得到相应的嵌入表征eh和et;
所述推理的步骤包括,
固定待学习的模型参数,更新变分分布qθ(VH|Vo),进而近似推理隐藏三元组的后验分布pw(VH|VO),并利用获取的所述时序谓词序列的嵌入表征参数化所述变分分布,其中,VO表示已知三元组,VH表示隐藏三元组;
通过最小化训练所述时序知识图谱的三元组的损失函数来学习实体和关系的向量表示,并进行知识图谱推理,以每个三元组的评分函数作为标准,对参数化的qθ(VH|Vo)进行更新;
所述学习的步骤包括,
固定更新后的变分分布,更新待学习的模型参数,进而通过最大化对数似然函数学习逻辑公式的权重;
为提高优化效率,采用伪对数似然函数代替所述最大化对数似然函数的优化,即其中,V(h,r,t)表示三元组,MB(h,r,t)表示三元组V(h,r,t)的马尔可夫毯。
2.如权利要求1所述的基于马尔可夫逻辑网络的时序知识图谱推理方法,其特征在于:所述联合分布的建立包括,利用马尔可夫逻辑网络建立已知三元组和隐藏三元组的联合分布,公式表示为:其中,Z表示整个联合空间的归一化因子,wl表示逻辑规则l的权重,nl表示基于VO和VH的符合实际情况的逻辑规则。
3.如权利要求2所述的基于马尔可夫逻辑网络的时序知识图谱推理方法,其特征在于:包括,基于变分期望最大化算法结合知识图谱嵌入技术对所述联合分布进行优化,即通过最大化观测事实对数似然的变分下界对所述联合分布进行学习,公式表示为:其中,logpw(VO)表示已知三元组的最大化观测事实对数似然,L(qθ,pw)表示变分下界,qθ(VH|Vo)表示一个用于隐藏三元组的后验分布的变分分布。
4.一种应用如权利要求1所述基于马尔可夫逻辑网络的时序知识图谱推理方法的系统,其特征在于,包括:数据处理单元,用于读取时序知识图谱并进行处理生成时序谓词序列;
联合分布建立单元,用于利用LSTM获取所述时序谓词序列的嵌入表征,通过马尔科夫逻辑网络建立已知三元组和隐藏三元组的联合分布;
推理学习单元,用于基于变分期望最大化算法结合知识图谱嵌入技术对所述联合分布进行推理和学习,完成时序知识图谱推理任务。
5.一种设备,其特征在于,所述设备包括,
处理器;
用于存储处理器可执行指令的存储器;
所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1~3中任一所述的方法。
6.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1~3中任一所述的方法。