基于超图卷积和图卷积的多视图知识图谱推理方法、系统及存储介质

本发明涉及知识图谱推理，尤其涉及基于超图卷积和图卷积的多视图知识图谱推理方法、系统及存储介质。

背景技术：

1、知识图谱是对现实概念、对象以及关系的结构化表示，它能够增强组织大量信息的能力。知识图谱在推动人工智能发展发挥着重要的作用，然而随着信息的增长，会导致大多数实际的知识图谱存在不完整的问题。为了解决这个问题，知识图谱的推理方法广泛用于知识图谱的补全。知识图谱推理(knowledge graph reasoning，kgr)，简称知识推理，从一个或者多个现有的知识出发，用特定的方法推断新的或未知的结论，或者识别错误的信息。例如，给出已知的三元组信息(抑郁症，主要症状，持续的情绪低落)，(x，患有症状，持续的情绪低落)，通过推理可以得到新的三元组信息(x，可能患有疾病，抑郁症)。在某种程度上，知识推理类似于链接预测，其核心都是对三元组中的实体和关系进行预测。知识图谱推理在军事、医疗和交通领域被广泛应用。例如，我们可以利用模型来学习疾病和症状的低维向量表示，并考虑疾病和症状之间的相互关系。通过计算疾病和症状的嵌入向量间的相似度，我们可以预测患者可能的心理疾病。

2、图神经网络将神经网络的强大能力引入了处理图数据结构的领域，尤其在知识图谱推理方面表现出色。其利用图的结构特征来学习和提取知识图谱的信息，通过节点的特征和其相关联的节点进行描述。根据输入的邻居节点信息，可对节点状态进行更新，有效编码节点邻居的信息和图的拓扑结构。超图卷积则是一种处理表示学习过程中数据关联的运算，其中的超图神经网络(hgnn)可以学习并考虑高阶数据结构的隐性表示，为处理复杂数据关联提供了一种通用的框架。知识图谱推理的图神经网络方法建立在传统知识图谱嵌入方法的基础之上。这种方法使用图神经网络的变体作为编码器学习图结构信息，然后再由transe，complex和conve等传统的知识图谱嵌入方法作为解码器，解码学到的实体和关系的嵌入。最后，通过链接预测等下游任务来验证模型的性能

3、因此，提出一种基于超图卷积和图卷积的多视图知识图谱推理方法、系统及存储介质，来解决现有技术存在的困难，是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种基于超图卷积和图卷积的多视图知识图谱推理方法、系统及存储介质，通过引入实体的特征来构建超图，与图学习不同，超图学习模型探索数据之间的高阶相关性，将图学习模型扩展到高维、更完整的非线性空间，从而具有更高的关联建模能力，从而在实践中获得更好的性能。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种基于超图卷积和图卷积的多视图知识图谱推理方法，包括以下步骤：

4、s1、数据获取步骤：获取待推理知识图谱；

5、s2、数据预处理步骤：使用hgcn和compgcn分别对s1中得到的待推理知识图谱进行编码；

6、s3、多元表示步骤：对s2中得到的编码进行整合，形成对待推理的知识图谱全局视图的多元表示，得到多视图混合编码；

7、s4、评分步骤：使用conve模型，对s3中多视图混合编码的三元组进行评分，得到待推理的知识图谱三元组的最终评分。

8、上述的方法，可选的，hgcn采用基于knn聚类的方式，对s1中得到的待推理知识图谱的所有实体通过聚类的方式构建出超图结构hg，基于得到的超图结构hg进行超图卷积得到基于超图的节点特征xh。

9、上述的方法，可选的，compgcn基于知识图嵌入技术中的实体-关系组合操作，通过联合学习图中节点和关系的向量得到基于图结构的节点特性xg以及关系特征r。

10、上述的方法，可选的，构建出超图结构hg的内容包括：

11、根据两个特征之间的欧式距离来构建超图，其中，将每个顶点代表为一个样本对象，每条超边由一个顶点和顶点的k个最近的邻居顶点连接得到，形成n个连接k+1个顶点的超边，进一步得到超图的关联矩阵h∈rn×n。

12、上述的方法，可选的，根据超图卷积构建知识图谱的节点的超图卷积层hgnnf(h，w，θ)，如下公式：

13、

14、其中，σ表示激活函数，hl表示节点在第l层的特征表示，θ表示可学习的参数，dυ表示顶点的度对角矩阵，de表示超边的度对角矩阵，h表示超图的关联矩阵，w是每个超边被赋予一个权值的对角矩阵；

15、超图卷积层能够完成节点→超边→节点的特征转化，通过超图结构使得增强特征；在经过超图卷积之后将得到知识图谱中的节点特征xh＝[h1，h2，...，hn]。

16、上述的方法，可选的，s3中内容包括：

17、将包含图结构特征信息的特征xg∈rn×d与xh∈rn×d首先进行堆叠得到xc∈rn×2d＝[xg，xh]，再经过一层线性变换得到融合特征x∈rn×d＝wx。

18、上述的方法，可选的，s4中具体步骤包括：

19、s401、首先从融合特征x′和r取得实体和关系的表示{h，r}，将{h，r}的特征堆叠变形得到特征图xm；

20、s402、将特征图xm作为卷积层的输入，再经过一层卷积之后得到卷积特征图y；

21、s403、将特征图y展开，经过全连接层得到头实体与关系的组合特征y′∈rn×d，最后将组合特征y′∈rn×d同尾实体矩阵内积得到三元组的最终评分。

22、一种基于超图卷积和图卷积的多视图知识图谱推理系统，执行上述任一项所述的一种基于超图卷积和图卷积的多视图知识图谱推理方法，包括依次连接的：数据获取模块、数据预处理模块、多元表示模块、评分模块；

23、其中，数据获取模块，用于获取待推理知识图谱；

24、数据预处理模块，用于使用hgcn和compgcn分别对数据获取模块得到的待推理知识图谱进行编码；

25、多元表示模块，用于对数据预处理模块得到的编码进行整合，形成对待推理的知识图谱全局视图的多元表示，得到多视图混合编码；

26、评分模块，用于使用conve模型，对多元表示模块得到的多视图混合编码的三元组进行评分，得到待推理的知识图谱三元组的最终评分。

27、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述任一项所述的一种基于超图卷积和图卷积的多视图知识图谱推理方法。

28、经由上述的技术方案可知，与现有技术相比，本发明一种基于超图卷积和图卷积的多视图知识图谱推理方法，具有以下有益效果：

29、本发明的主要优势在于对知识图谱的多元视角和深入理解的体现；1)通过整合来自compgcn和hgcn的对于知识图谱的特征编码形成了一种全局视图的多元表示；既保留了图的原始结构信息，又捕获到了丰富的图结构信息；2)它巧妙地处理了图的异质性，借助超图卷积处理复杂连接关系，使用图卷积有效地传递节点间关系；3)利用conve模型通过卷积神经网络和张量分解来计算三元组的评分，生成特征图，提供可能关系的空间映射，从而提升了对知识图谱推理的准确性，增强了模型的鲁棒性；4)融入了多视图特性的模型使得模型在利用知识图谱结构信息方面，显得更为充分，有力，从而使知识图谱推理的准确性得以提升。