一种多粒度历史聚合的时序知识图谱推理方法及系统与流程

1.本发明涉及自然语言处理领域，具体而言，涉及一种多粒度历史聚合的时序知识图谱推理方法及系统。


背景技术：

2.时序知识图谱是知识图谱的一种扩展，即在表示事件的三元组中加入时间构成四元组，为每个事实赋予一个具体的时间，进而更加真实地刻画现实。时序知识图谱推理是目前时序知识图谱主要的应用之一，旨在通过挖掘历史事件的潜在演化规律，以达到预测未来事件的目的。
3.目前，对于时序知识图谱推理这一任务主要基于表征学习实现的，为时序知识图谱中的每个实体和关系学习表征向量，并构造分值函数用于评估未来某事件发生的可能性。即首先通常使用图卷积神经网络的方式，学习静态的静态知识图谱数据；然后结合使用循环神经网络的方式建模图谱变换的时序信息；再交替使用两种方式构造实体和关系的表征向量，最后采用归一化指数函数或更复杂的函数计算不同三元组的得分。即现有时序知识图谱推理主要聚焦于如何学习历史中相邻时刻的事实演化模式，忽略了对历史事件发展中的周期性和重复性的刻画，导致事件推理的准确率较低，难以满足复杂的事件推理需求。


技术实现要素：

4.本发明提供一种多粒度历史聚合的时序知识图谱推理方法及系统，通过融合不同长度、不同粒度的历史信息，深度建模历史的演化模式，解决了现有时序知识图谱推理主要聚焦于如何学习历史中相邻时刻的事实演化模式，忽略了对历史事件发展中的周期性和重复性的刻画，导致事件推理的准确率较低，难以满足复杂的事件推理需求的问题。
5.在第一方面，本发明实施例中提供一种多粒度历史聚合的时序知识图谱推理方法，所述方法包括以下步骤：
6.获取待推理事件的时序知识图谱数据；
7.截取不同长度的时序知识图谱数据，以获取训练数据；
8.基于训练数据，使用历史递归网络建模不同粒度的实体表征和关系表征；
9.基于训练数据，使用历史卷积网络再次建模不同粒度的实体表征；
10.基于实体表征和关系表征建模结果计算事件概率，并且构造损失函数，以实现模型训练；
11.使用训练后的模型推理缺失的事件。
12.于上述实施例中，本发明基于历史递归网络和历史卷积网络对不同长度、不同粒度的历史信息进行深度建模，进而提升未来事件预测推理的准确度；并且基于表征学习的角度出发为实体和关系学习嵌入向量，在进行未来事件预测推理的同时可以用于其他任务，例如实体分类、事件分类等。
13.作为本技术一些可选实施方式，所述时序知识图谱数据包括若干不同时间段的静
态知识图谱数据。
14.作为本技术一些可选实施方式，所述静态知识图谱数据包括实体集合、关系集合以及事件集合。
15.作为本技术一些可选实施方式，基于训练数据，使用历史递归网络建模不同粒度的实体表征和关系表征的流程如下：
16.基于训练数据获取不同长度的历史路径，并且基于不同长度的历史路径采用关系图卷积神经网络聚合每个时刻的实体表征和关系表征；
17.交替使用门控循环神经网络对相邻时刻间的图谱变化进行捕获，以获取实体表征矩阵集合和关系表征矩阵集合。
18.作为本技术一些可选实施方式，基于训练数据，使用历史卷积网络再次建模不同粒度的实体表征的流程如下；
19.基于训练数据获取最长的历史路径，并且基于最长的历史路径采用关系图卷积神经网络聚合每个时刻的实体表征；
20.同步使用卷积神经网络对相邻时刻间的图谱进行多层级的卷积处理，以获取复合实体表征矩阵集合。
21.作为本技术一些可选实施方式，基于实体表征和关系表征建模结果计算事件概率的流程如下：
22.基于实体表征矩阵集合和关系表征矩阵集合，采用卷积神经网络进行特征提取，以获取第一事件特征图；
23.基于第一事件特征图进行向量内积计算，以获取第一事件分数；
24.基于复合实体表征矩阵集，采用卷积神经网络进行特征提取，以获取第二事件特征图；
25.基于第二事件特征图进行向量内积计算，以获取第二事件分数；
26.基于第一事件分数和第二事件分数，分别采用归一化指数函数构造第一事件概率向量和第二事件概率向量；并且采用加权求和构造最终事件概率向量。
27.作为本技术一些可选实施方式，构造损失函数，以实现模型训练的流程如下：
28.基于第一事件概率向量和第二事件概率向量，分别构造交叉熵损失函数；
29.循环截取不同长度的时序知识图谱数据，以更新训练数据，并且使用梯度下降法进行模型训练。
30.在第二方面，本发明提供一种多粒度历史聚合的时序知识图谱推理系统，所述系统包括：
31.历史数据获取单元，所述历史数据获取单元用于获取待推理事件的时序知识图谱数据；
32.训练数据获取单元，所述训练数据获取单元用于截取不同长度的时序知识图谱数据，以获取训练数据；
33.数据建模单元，所述数据建模单元基于训练数据，使用历史递归网络建模不同粒度的实体表征和关系表征，并且基于训练数据，使用历史卷积网络再次建模不同粒度的实体表征；
34.模型训练单元，所述模型训练单元基于实体表征和关系表征建模结果计算事件概
率，并且构造损失函数，以实现模型训练；
35.事件推理单元，所述事件推理单元用于使用训练后的模型推理缺失的事件。
36.在第三方面，本发明提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行多粒度历史聚合的时序知识图谱推理方法。
37.在第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述多粒度历史聚合的时序知识图谱推理方法。
38.本发明的有益效果如下：
39.1.本发明融合不同长度、不同粒度的历史信息，深度建模历史的演化模式，从而提升未来事件预测推理的准确度。
40.2.本发明基于表征学习的角度出发为实体和关系学习表征向量，因此便于后期能够进行未来事件推理的同时可以便于进行其他任务。
附图说明
41.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
42.图1是根据本发明的实施例所述时序知识图谱推理方法的流程图；
43.图2是根据本发明的实施例所述历史递归网络的数据处理流程图；
44.图3是根据本发明的实施例所述历史卷积网络的数据处理流程图；
45.图4是根据本发明的实施例所述时序知识图谱推理系统的结构图。
具体实施方式
46.为了更好的理解上述技术方案，下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本发明实施例和实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例和实施例中的技术特征可以相互组合。
47.同样应当理解的是，为了简化本发明揭示的表述，从而帮助对至少一个发明实施例的理解，前文对本发明实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本发明对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
48.实施例1
49.请参阅图1，本发明提供一种多粒度历史聚合的时序知识图谱推理方法，所述方法包括以下步骤：
50.(1)获取待推理事件的时序知识图谱数据；
51.对于一个或多个待推理事件，获取其历史的时序知识图谱数据，所述时序知识图谱数据以四元组形式呈现，即(s,r,o,t)，s代表头实体，r代表关系，o代表尾实体，t代表时
间，将四元组划分到不同时间段下并构造每个时间段的静态知识图谱数据，表示如下：
[0052][0053]
其中，表示完整的时序知识图谱数据，表示不同时间段下的静态知识图谱数据，t+1为待推理事件所处的时刻。
[0054]
具体的，所述静态知识图谱数据包括实体集合、关系集合以及事件集合，表示如下：
[0055][0056]
其中，ε表示实体集合，表示关系集合，代表在t时刻所有的事件集合即三元组集合。
[0057]
(2)截取不同长度的时序知识图谱数据，以获取训练数据；
[0058]
即假定在某一时刻发生的事件只依赖于前k个时刻的历史，则在中选取连续k+1个静态知识图谱数据用于模型训练，将其中前k个静态知识图谱数据视为历史。
[0059]
(3)基于训练数据，使用历史递归网络建模不同粒度的实体表征和关系表征；
[0060]
具体的，建模不同粒度的实体表征和关系表征的流程如下：
[0061]
(3.1)对于历史连续的k个静态知识图谱数据，向历史倒退的方向依次取k条不同长度的历史路径，基于不同长度的历史路径采用关系图卷积神经网络(rgcn)聚合每个时刻的实体表征和关系表征；
[0062]
具体的，请参阅图2，t对于目标预测时刻tm，向历史倒退的方向依次取k条不同长度的历史路径，即length＝k(k＝1,
…
,k)，length＝k的历史路径可表示为图序列：
[0063]
首先从图序列起始时刻开始，通过关系图卷积神经网络(rgcn)，将每个实体相关的事件信息聚合到实体表征序列上：
[0064][0065]
其中，表示头实体表征序列，表示关系表征序列，表示参数矩阵，co表示相邻尾实体数量，k表示所在历史路径长度，l表示所在rgcn的层数，s代表头实体，o代表尾实体，r代表关系，所涉及的事件(s,r,o)均属于当前时刻t的事件集通过多层的聚合，将相邻的尾实体表征序列以及联系实体的关系表征序列加权聚合到目标实体表征序列中，同时也保留了上一层的实体表征序列。
[0066]
(3.2)交替使用门控循环神经网络(gru)对相邻时刻间的图谱变化进行捕获，以获取实体表征矩阵集合和关系表征矩阵集合
[0067]
具体的，在使用rgcn聚合嵌入后，采用gru捕获相邻时刻间的图谱变化：
[0068][0069]
这里将上一时刻的所有的实体表征矩阵和经过步骤(3.1)rgcn处理后的实体
表征矩阵看作相邻的序列单元输入gru中，得到当前时刻的所有实体表征矩阵
[0070]
同样使用gru来建模相邻时刻的关系表征矩阵：
[0071][0072]
其中，r代表全体关系表征集合，r
′
t
中的每个关系表征通过以下方式得到：
[0073][0074]
其中，表示在t时刻与含有关系r的事件集合，表示t-1时刻的实体表征矩阵。这一操作将在t时刻的所有相关实体向量平均池化，并和原始关系r拼接在一起构造关系中间量r
′
t
；
[0075]
最后递归地重复上述操作，直到获得每一长度序列下t-1时刻的实体表征矩阵和关系表征矩阵，进而得到实体表征矩阵集合和关系表征矩阵集合
[0076]
(4)基于训练数据，使用历史卷积网络再次建模不同粒度的实体表征；
[0077]
具体的，再次建模不同粒度的实体表征的流程如下：
[0078]
(4.1)对于length＝k的历史路径，再次采用rgcn聚合每个时刻下的实体表征：
[0079][0080]
与步骤(3)不同的是，这里不再交替使用rgcn和gru来建模历史的序列化模式，而是对每个时刻的实体表征同步实施卷积；
[0081]
即同步使用rgcn进行多层级的卷积处理，以获取不同粒度的复合实体表征矩阵即采用一种新的历史卷积编码方式，将卷积后的实体表征进行多层次的卷积：
[0082][0083]
其中表示矩阵之间的点乘，j表示嵌入所在网络层次，且j＝2,3,
…
,k；特别地，为步骤(4.1)中rgcn操作得到的实体表征矩阵，为t时间段的时序卷积门，通过如下方式计算：
[0084][0085]
其中，wj表示在第j层的权重矩阵，bj表示在第j层的偏差，σ表示归一化指数函数，每一层的每个嵌入单元都聚合了下层的两个相邻单元的信息，由此每一层的嵌入单元都聚合了不同粒度的历史信息，并且在每一层的最后一个实体表征矩阵，恰好包含了不同长度历史的信息，并且将每一层最后一个单元的实体表征矩阵取出在后续使用，进而得到多粒度的复合实体表征矩阵集合请参阅图3。
[0086]
(5)基于实体表征和关系表征建模结果计算事件概率，并且构造损失函数，以实现模型训练；
[0087]
具体的，基于实体表征和关系表征建模结果计算事件概率的流程如下：
[0088]
(5.1)基于步骤(3)获取的实体表征矩阵集合和关系表征矩阵集
合采用卷积神经网络进行特征提取，以获取长度为k的第一事件特征图；
[0089]
具体的，在步骤(3)的编码中可以得到基于历史递归网络的实体表征矩阵集合和关系表征矩阵集合对于一个待推理事件(s,r,？,tm)，可以得到对应的实体表征序列和关系表征序列对于这k组来自不同历史路径长度的表征序列，分别输入到k个不同的卷积神经网络中提取特征：
[0090][0091]
其中，convk表示第k个卷积神经网络，ck则表示对应的历史长度为k时的事件特征图。
[0092]
(5.2)基于步骤(5.1)的第一事件特征图和实体表征或关系表征进行向量内积计算，以获取第一事件分数；
[0093]
其中，ok为第k个历史序列中实体o的表征向量，fcn表示全连接层神经网络，通过计算向量内积的方式得到第一事件分数。
[0094]
(5.3)基于步骤(4)获得的复合实体表征矩阵集合采用卷积神经网络进行特征提取，以获取长度为k的第二事件特征图；
[0095]
(5.4)基于步骤(5.3)的事件特征图和第k个静态知识图谱数据的实体表征进行向量内积计算，以获取事件分数；同理对于步骤(4)中的历史卷积网络得到的不同粒度的实体表征序列对于这k组来自不同历史路径长度的表征序列，分别输入到k个不同的卷积神经网络中提取特征：
[0096]
然后计算对应的第二事件分数：
[0097][0098]
与历史递归网络的事件分数计算不同，这里的实体o必须与实体s曾处于同一历史事件中。
[0099]
具体的，构造损失函数，以实现模型训练的流程如下：
[0100]
(5.5)基于步骤(5.2)的第一事件分数和步骤(5.4)的第二事件分数，分别采用归一化指数函数构造第一事件概率向量和第二事件概率向量；并且采用加权求和构造最终事件概率向量；
[0101]
即首先对于获得的第一事件分数和第二事件分数，分别利用归一化指数函数构造第一事件概率向量和第二事件概率向量：
[0102]
p
hc
＝softmax(score
hc
)
[0103]
p
hr
＝softmax(score
hr
)
[0104]
p
final
＝α
×
p
hc
+(1-α)
×
p
hr
[0105]
根据获取得第一事件分数和第二事件分数，利用归一化指数函数可以计算出不同网络所提取的特征对应的事件概率；为了平衡两部分网络对于事件分数的贡献，采用一个超参数α加权求和得到最终事件概率向量p
final
；
[0106]
(5.6)基于第一事件概率向量和第二事件概率向量，构造交叉熵损失函数，所述交叉熵损失函数表示为：
[0107][0108][0109]
l
final
＝α
×
l
hc
+(1-α)
×
l
hr
[0110]
其中，为预测时刻tq时的实体标签向量，当事件(s,r,o,tm)真实存在时，对应的实体分量为1，否则为0。
[0111]
(5.7)循环截取不同长度的时序知识图谱数据，以更新训练数据，并且使用梯度下降法进行模型训练；即将步骤(2)所选取的开始时刻的下一时刻视为新的开始时刻，再次选取长度为k+1的图序列用作训练，将前k个子图看作历史序列来预测第k+1个子图中的事件，并计算损失函数使用梯度下降法进行训练。
[0112]
(6)使用训练后的模型参数推理缺失的事件，即当使用完成训练后，根据得到的实体表征和关系表征对目标时刻t+1中真实需要推理的事件进行推理，将概率最高的事件作为推理结果。
[0113]
具体的，需要说明的是小写k指历史路径的长度，大写的k表示历史路径的最大长度,是一个定值；tm指预测时刻，t不具体指代，只代表时刻。
[0114]
实施例2
[0115]
请参阅图4，本发明提供一种多粒度历史聚合的时序知识图谱推理系统，所述系统与实施例1的所述方法一一对应，所述系统包括：
[0116]
历史数据获取单元，所述历史数据获取单元用于获取待推理事件的时序知识图谱数据；
[0117]
训练数据获取单元，所述训练数据获取单元用于截取不同长度的时序知识图谱数据，以获取训练数据；
[0118]
数据建模单元，所述数据建模单元基于训练数据，使用历史递归网络建模不同粒度的实体表征和关系表征，并且基于训练数据，使用历史卷积网络再次建模不同粒度的实体表征；
[0119]
模型训练单元，所述模型训练单元基于实体表征和关系表征建模结果计算事件概率，并且构造损失函数，以实现模型训练；
[0120]
事件推理单元，所述事件推理单元用于使用训练后的模型推理缺失的事件。
[0121]
实施例3
[0122]
本发明提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器运行时执行实施例1所述的一种多粒度历史聚合的时序知识图谱推理方法。
[0123]
本实施例提供的计算机设备可以实现执行实施例1所述的方法，为避免重复，在此不再赘述。
[0124]
实施例4
[0125]
本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现实施例1所述的一种多粒度历史聚合的时序知识图谱推理方法。
[0126]
本实施例提供的计算机可读存储介质可以实现执行实施例1所述的方法，为避免重复，在此不再赘述。
[0127]
其中，所述处理器可以是中央处理器(cpu，central processing unit)，还可以是其他通用处理器、数字信号处理器(digital signal processor)、专用集成电路(application specific integrated circuit)、现成可编程门阵列(fieldprogrammable gate array)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0128]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的数据，实现发明中多粒度历史聚合的时序知识图谱推理系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等。此外，存储器可以包括高速随机存取存储器、还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡，安全数字卡，闪存卡、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0129]
多粒度历史聚合的时序知识图谱推理系统如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序可存储于一计算机可读存介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码、对象代码形式、可执行文件或某些中间形式等。所述计算机可读取介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存储器、点载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
[0130]
本发明已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
[0131]
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、rf、或类似介质，或任何上述介质的组合。

技术特征：
1.一种多粒度历史聚合的时序知识图谱推理方法，其特征在于，所述方法包括以下步骤：获取待推理事件的时序知识图谱数据；截取不同长度的时序知识图谱数据，以获取训练数据；基于训练数据，使用历史递归网络建模不同粒度的实体表征和关系表征；基于训练数据，使用历史卷积网络再次建模不同粒度的实体表征；基于实体表征和关系表征建模结果计算事件概率，并且构造损失函数，以实现模型训练；使用训练后的模型推理缺失的事件。2.根据权利要求1所述的一种多粒度历史聚合的时序知识图谱推理方法，其特征在于，所述时序知识图谱数据包括若干不同时间段的静态知识图谱数据。3.根据权利要求2所述的一种多粒度历史聚合的时序知识图谱推理方法，其特征在于，所述静态知识图谱数据包括实体集合、关系集合以及事件集合。4.根据权利要求1所述的一种多粒度历史聚合的时序知识图谱推理方法，其特征在于，基于训练数据，使用历史递归网络建模不同粒度的实体表征和关系表征的流程如下：基于训练数据获取不同长度的历史路径，并且基于不同长度的历史路径采用关系图卷积神经网络聚合每个时刻的实体表征和关系表征；交替使用门控循环神经网络对相邻时刻间的图谱变化进行捕获，以获取实体表征矩阵集合和关系表征矩阵集合。5.根据权利要求4所述的一种多粒度历史聚合的时序知识图谱推理方法，其特征在于，基于训练数据，使用历史卷积网络再次建模不同粒度的实体表征的流程如下；基于训练数据获取最长的历史路径，并且基于最长的历史路径采用关系图卷积神经网络聚合每个时刻的实体表征；同步使用卷积神经网络对相邻时刻间的图谱进行多层级的卷积处理，以获取复合实体表征矩阵集合。6.根据权利要求5所述的一种多粒度历史聚合的时序知识图谱推理方法，其特征在于，基于实体表征和关系表征建模结果计算事件概率的流程如下：基于实体表征矩阵集合和关系表征矩阵集合，采用卷积神经网络进行特征提取，以获取第一事件特征图；基于第一事件特征图进行向量内积计算，以获取第一事件分数；基于复合实体表征矩阵集，采用卷积神经网络进行特征提取，以获取第二事件特征图；基于第二事件特征图进行向量内积计算，以获取第二事件分数；基于第一事件分数和第二事件分数，分别采用归一化指数函数构造第一事件概率向量和第二事件概率向量；并且采用加权求和构造最终事件概率向量。7.根据权利要求6所述的一种多粒度历史聚合的时序知识图谱推理方法，其特征在于，构造损失函数，以实现模型训练的流程如下：基于第一事件概率向量和第二事件概率向量，分别构造交叉熵损失函数；循环截取不同长度的时序知识图谱数据，以更新训练数据，并且使用梯度下降法进行模型训练。
8.一种多粒度历史聚合的时序知识图谱推理系统，其特征在于，所述系统包括：历史数据获取单元，所述历史数据获取单元用于获取待推理事件的时序知识图谱数据；训练数据获取单元，所述训练数据获取单元用于截取不同长度的时序知识图谱数据，以获取训练数据；数据建模单元，所述数据建模单元基于训练数据，使用历史递归网络建模不同粒度的实体表征和关系表征，并且基于训练数据，使用历史卷积网络再次建模不同粒度的实体表征；模型训练单元，所述模型训练单元基于实体表征和关系表征建模结果计算事件概率，并且构造损失函数，以实现模型训练；事件推理单元，所述事件推理单元用于使用训练后的模型推理缺失的事件。9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1-7中任一多粒度历史聚合的时序知识图谱推理方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述多粒度历史聚合的时序知识图谱推理方法。

技术总结
本发明提供一种多粒度历史聚合的时序知识图谱推理方法及系统，涉及自然语言处理领域，所述方法包括步骤为：获取待推理事件的时序知识图谱数据；截取不同长度的时序知识图谱数据，以获取训练数据；使用历史递归网络建模不同粒度的实体表征和关系表征；使用历史卷积网络再次建模不同粒度的实体表征；基于实体表征和关系表征建模结果计算事件概率，并且构造损失函数，以实现模型训练；使用训练后的模型推理缺失的事件。本发明通过融合不同长度、不同粒度的历史信息，深度建模历史的演化模式，解决了现有基于时序知识图谱推理事件未充分考虑历史事件发展的周期性和重复性，导致事件推理的准确率低，难以满足复杂的事件推理需求的问题。的问题。的问题。


技术研发人员：请求不公布姓名
受保护的技术使用者：成都数之联科技股份有限公司
技术研发日：2023.03.21
技术公布日：2023/7/12