1.少样本柑橘知识图谱补全仿生原型记忆注意力网络方法,其特征在于,包括以下步骤:S1:针对柑橘知识图谱中的少样本任务关系的一个实体对,分别定义其头实体和尾实体的邻域,并生成所述实体对的语义表示;
S2:构建包含瞬时记忆、工作记忆和长期记忆的记忆模块,通过记忆回放与更新生成记忆增强原型向量;
瞬时记忆模块、工作记忆模块和长期记忆模块的实现方法如下:
所述瞬时记忆模块,基于动态缓存池实现,采用先进先出的缓存队列作为存储结构,通过超参数设置缓存容量,建立实时接收、暂存和满容量迁移机制;
所述工作记忆模块,基于K-Means聚类和频率矩阵实现,采用聚类中心库作为存储结构,K-Means聚类算法对瞬时记忆迁移的批量原型进行聚类,聚类数量K通过验证集调优确定;
所述长期记忆模块,基于优先级队列和衰减机制实现,采用优先级队列作为存储结构,建立基于召回频率和存储时间的优先级计算机制;
S3:计算查询表示与记忆增强原型向量间的相似度,基于该相似度评估查询表示三元组的可信性;
S4:构造支持集与正负查询集,构建排名损失及原型平滑化损失,经元训练最小化总损失得到少样本柑橘知识图谱补全模型;
S4具体步骤为:
S4.1:从柑橘知识图谱数据集中构造支持集
S4.1:从柑橘知识图谱数据集中构造支持集、正查询集和负查询集,所述负查询集通过替换正查询集中每个实体对的尾实体生成,负查询集 计算公式为:其中:为负查询集,为头实体,为错误的尾实体,为正确的尾实体,为正查询集;
S4.2:构建并最小化排名损失函数,使得正查询集的相似度得分高于负查询集的相似度得分,排名损失函数计算公式为:其中:为排名损失函数,为铰链损失函数,为边距超参数,为查询正实体对与支持集之间的相似度得分,为查询负实体对与支持集之间的相似度得分,为查询正实体对,为查询负实体对;
S4.3:构造记忆强化的原型平滑化损失;
S4.4:结合所述排名损失和平滑化损失得到总损失函数,通过批量抽样的元训练最小化所述总损失函数,得到少样本柑橘知识图谱补全模型。
2.根据权利要求1所述的少样本柑橘知识图谱补全仿生原型记忆注意力网络方法,其特征在于,S1具体步骤为:S1.1:将所述少样本任务关系分解为前向表示和后向表示,其中表示嵌入维度,并通过线性变换生成查询向量和键向量表示关系转换矩阵;
S1.2:利用双线性乘积函数,以前向表示和后向表示的拼接形式,模拟头实体和尾实体间的成对交互;
S1.3:对于头实体的邻居,利用前馈神经网络整合相邻实体和相邻关系的信息,学习得到邻居的语义表示,将邻居的语义表示通过线性变换映射为值向量,表示头实体的邻居关系表示、表示邻居实体表示;
S1.4:利用双线性点积计算邻居关系与任务关系的相关性分数,并用softmax函数归一化处理得到注意力权重;
S1.5:利用注意力权重与邻居的值向量,生成头实体的加权邻居表示,再将头实体的加权邻居表示与预训练的实体嵌入融合,得到头实体增强表示;
S1.6:对所述尾实体,生成尾实体的增强表示;
S1.7:将头实体的增强表示和尾实体增强表示进行向量拼接,再通过位置前向前馈神经网络进行非线性变换,得到实体对的语义表示。
3.根据权利要求1所述的少样本柑橘知识图谱补全仿生原型记忆注意力网络方法,其特征在于,S2具体步骤为:S2.1:基于支持集中各三元组的语义表示,利用注意力机制计算支持集中各三元组的语义表示相对于查询集中各三元组注意力权重,对支持集中各三元组语义表示进行加权求和,得到少样本任务关系的加权原型向量;
S2.2:构建包含瞬时记忆模块、工作记忆模块和长期记忆模块的多级记忆模块,并对多级记忆模块进行动态更新,所述瞬时记忆模块采用先进先出的缓存队列结构,用于暂存当前任务产生的最新原型向量;瞬时记忆模块在每次新任务后立即更新;
所述工作记忆模块采用聚类中心库结构,用于对从瞬时记忆迁移来的原型向量进行聚类以存储代表性原型,并利用频率矩阵统计原型被召回的频率;
所述工作记忆模块,用于定期对瞬时记忆中的原型进行聚类整合;
所述长期记忆模块采用优先级队列结构,用于存储从工作记忆中迁移出的高频使用原型,并基于召回频率和存储时间进行优先级管理和过时原型淘汰;
S2.3:利用注意力机制分别从瞬时记忆、工作记忆和长期记忆中提取与当前查询任务相关的原型特征,计算各原型特征的聚合权重,根据所述聚合权重生成各原型特征的记忆表示,并将各原型特征的记忆表示进行融合,生成基于记忆增强的原型向量。
4.根据权利要求3所述的少样本柑橘知识图谱补全仿生原型记忆注意力网络方法,其特征在于,S2.3的具体步骤为:S2.3.1:从瞬时记忆中选择前K个相关原型特征,从工作记忆模块中提取与当前任务相关的代表性原型内容,从长期记忆模块中提取与当前任务相关的高频核心原型内容;
S2.3.2:对从各记忆模块中提取出的候选原型,分别利用注意力机制计算其聚合权重,并生成各级记忆的任务表示;
S2.3.3:将S2.3.2中生成的瞬时记忆表示、工作记忆表示和长期记忆表示进行融合,生成基于记忆增强的原型向量。
5.根据权利要求1所述的少样本柑橘知识图谱补全仿生原型记忆注意力网络方法,其特征在于,S3具体步骤为:S3.1:计算查询与记忆增强原型向量间的相似度;
S3.2:根据所述相似度评估所述查询与记忆原型的语义契合度。
6.根据权利要求5所述的少样本柑橘知识图谱补全仿生原型记忆注意力网络方法,其特征在于,S3.1中查询与记忆增强原型向量间的相似度计算公式为:其中:为查询的语义表示,为记忆增强原型向量,为查询,为支持集,表示按元素乘积。