(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210490127.0 (22)申请日 2022.04.29 (71)申请人 华中科技大 学 地址 430074 湖北省武汉市洪山区珞喻路 1037号 (72)发明人 赵峰　闫成　金海　 (74)专利代理 机构 北京之于行知识产权代理有 限公司 1 1767 专利代理师 侯越玲 (51)Int.Cl. G06N 5/04(2006.01) G06F 16/36(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 贝叶斯小样 本学习的知识图谱推理模 型、 系 统及推理方法 (57)摘要 本发明涉及一种贝叶斯小样本学习的知识 图谱推理模型、 系统及推理方法， 所述方法至少 包括： 对知识图谱中的实体和关系进行高斯分布 的建模以降低知识图谱的不确定性； 将每个实体 作为一个任务， 以模拟动态知识图谱中新出现实 体的元训练过程进行任务采样； 基于图神经网络 构建元学习器并进行随机推理； 训练所述元学习 器以使用支持集来表示新出现实体。 本发明经过 训练的模型具有快速适应的能力， 无需重新训练 就能推断出新的事实 或出现的实体 。 权利要求书2页 说明书9页 附图1页 CN 114861917 A 2022.08.05 CN 114861917 A 1.一种贝叶斯小样本学习的知识图谱推理方法， 其特 征在于， 所述方法至少包括： 基于知识图谱中的实体和关系建立高斯分布模型以降低知识图谱的不确定性； 将每个实体作为一个任务， 以模拟动态知识图谱中新出现实体的元训练过程并进行任 务采样； 基于图神经网络构建元 学习器并进行随机推理； 训练所述元 学习器以使用支持集 来表示新出现实体。 2.根据权利要求1所述的贝叶斯小样本学习的知识图谱推理方法， 其特征在于， 基于知 识图谱中的实体和关系建立高斯分布模型的步骤 包括： 将头实体、 关系、 尾实体分别表示为： μ表示实体或关系在向量空间中的位置， ∑表示协方差， 其大小与关系或实体的不确定性成 正相关； 将头实体到尾实体的转换表示 为 基于KL散度定义得分函数并用于计算 三元组的信度。 3.根据权利要求1或2所述的贝叶斯小样本学习的知识图谱推理方法， 其特征在于， 用 于计算三元组的信度的所述得分函数为： s(eh， r， et)＝KL(Pr， Pe)， 其中， s表示三元组的得分函数， eh表示头实体， r表示关系， et表示尾实体， Pr表示关系 分部， Pe表示转换分布。 4.根据权利要求1～3任一项所述的贝叶斯小样本学习的知识图谱推理方法， 其特征在 于， 以模拟动态知识图谱中新出现实体的元训练过程并进行任务采样的步骤至少包括： 将原始数据集至少划分为含有模拟新出现实体元训练集和含有真实新出现实体的元 测试集； 基于所述元训练集的元训练过程对 模拟的新出现实体进行采样； 基于得分函数使查询集的三元组分数最大化。 5.根据权利要求1～4任一项所述的贝叶斯小样本学习的知识图谱推理方法， 其特征在 于， 基于图神经网络构建元 学习器的步骤至少包括： 基于贝叶斯神经网络和知识图谱中的关系构建元 学习器， 所述元学习器表示 为： 其中， f( θ )表示权值， B表示贝叶斯神经网络， 表示与实体e ′i相连的关系 ‑实 体对的个数； 基于权值f( θ )遵循贝叶斯神经网络学习先验分布来建模并推理新兴实体的不确定性。 6.根据权利要求1～5任一项所述的贝叶斯小样本学习的知识图谱推理方法， 其特征在 于， 训练所述元 学习器的步骤至少包括： 基于查询集和负例查询集计算损失函数中的梯度， 从而基于梯度 下降数据更新并优化 知识图谱推理模型的参数；权　利　要　求　书 1/2 页 2 CN 114861917 A 2以支持集Si作为输入， e ′i的表示作为输出来进行 元学习器的训练， 其中， f( θ )表示权值， Si表示支持集， e ′i表示新出现实体。 7.根据权利要求6所述的贝叶斯小样本学习的知识图谱推理方法， 其特征在于， 训练所 述元学习器的步骤 还包括： 最小化先验分布和后验分布的KL散度： 使得目标函数表示 为： 其中， q( θ )表示用来对Pr( θ )进行拟合 的假设分布， Pr( θ )表示参数的真实分布， Pr(D| θ )表示训练数据集的分布。 8.根据权利要求1～7任一项所述的贝叶斯小样本学习的知识图谱推理方法， 其特征在 于， 在所述元训练集Mtr中的新出现实体， 包 含： 相应的支持集 和 查询集 其中， n(e ′i)表示新出现实体的相邻三元组数量， N表示小样本的大小， e ′i表示新出现 实体。 9.一种贝叶斯小样本学习的知识图谱推理系统， 其特征在于， 至少包括处理器， 所述处 理器被配置为: 基于知识图谱中的实体和关系建立高斯分布模型以降低知识图谱的不确定性； 将每个实体作为一个任务， 以模拟动态知识图谱中新出现实体的元训练过程并进行任 务采样； 基于图神经网络构建元 学习器并进行随机推理； 训练所述元 学习器以使用支持集 来表示新出现实体。 10.一种贝叶斯小样本学习的知识图谱推理模型， 其特征在于， 所述知识图谱推理模型 至少包括： 基于知识图谱中的实体和关系建立高斯分布模型； 和 基于图神经网络构建的元 学习器。权　利　要　求　书 2/2 页 3 CN 114861917 A 3