基于均值融合的异构信息网知识图谱补全方法和装置

1.一种基于均值融合的异构信息网知识图谱补全方法，其特征在于，所述方法包括：获取文本数据，根据所述文本数据，构建开放世界知识图谱；根据开放世界知识图谱，构建异构信息网知识图谱；所述异构信息网知识图谱中节点的节点类型包括：实体节点、关系节点、实体描述信息节点以及实体类型信息节点；根据所述异构信息网知识图谱中相邻节点的相似度信息，确定相邻节点间边的权重；根据所述异构信息网络知识图谱中每条边的权重，得到所述异构信息网络知识图谱对应的权重矩阵；获取所述异构信息网络知识图谱中节点对应的节点特征矩阵，根据所述权重矩阵，采用第一层GCN算法对所述节点特征矩阵进行更新，得到第一特征矩阵；将所述第一特征矩阵中表示相同关系的关系节点的嵌入表示进行平均值计算，根据平均值计算结果替换关系节点的嵌入表示，并更新所述第一特征矩阵，得到第二特征矩阵；根据所述权重矩阵，采用第二层GCN算法对所述第二特征矩阵进行更新，得到第三特征矩阵；构建三元组评分函数，针对知识图谱中的三元组，从所述第三特征矩阵中提取关系特征矩阵，根据预先训练的预测模型、评分函数和关系特征，进行异构信息网知识图谱补全。 2.根据权利要求1所述的方法，其特征在于，根据所述异构信息网知识图谱中相邻节点的相似度信息，确定相邻节点间边的权重，包括：确定相邻节点中两个节点的节点类型；根据两个节点的节点类型，确定权重计算公式；根据所述异构信息网知识图谱中相邻节点的相似度信息和所述权重计算公式，确定相邻节点间边的权重。 3.根据权利要求2所述的方法，其特征在于，两个节点的节点类型一个是实体节点，另一个是关系节点；所述根据两个节点的节点类型，确定权重计算公式，包括：当所述实体节点和关系节点在同一个三元组中，则权重设置为1，否则为0；两个节点的节点类型均为实体节点，或者均为描述节点；所述根据两个节点的节点类型，确定权重计算公式，包括：当两个节点的节点类型均为实体节点时，根据两个节点的节点类型，确定权重计算公式为：其中，w i ,w j 为实体节点i和实体节点j的词向量嵌入表示；当两个节点的节点类型均为描述节点时，根据两个节点的节点类型，确定权重计算公式为：其中，w i ,w j 为描述节点i和描述节点j的词向量嵌入表示；两个节点的节点类型一个是实体节点，另一个是描述节点；所述根据两个节点的节点类型，确定权重计算公式，包括：所述根据两个节点的节点类型，确定权重计算公式为：其中，w i 是实体节点i的词向量嵌入表示，t是描述节点j中的单词，w t 是描述节点j中的单词t的嵌入表示；两个节点的节点类型一个是描述节点，另一个是关系节点；所述根据两个节点的节点类型，确定权重计算公式，包括：所述根据两个节点的节点类型，确定权重计算公式为：其中，s是关系i中的单词，w s 是单词s的嵌入表示，t是描述j中的单词，w t 是单词t的嵌入表示；两个节点的节点类型均为关系节点；所述根据两个节点的节点类型，确定权重计算公式，包括：当两个关系节点表示同一关系类型时，则权重设置为1，否则为0。 4.根据权利要求1至3任一项所述的方法，其特征在于，根据所述权重矩阵，采用第一层GCN算法对所述节点特征矩阵进行更新，得到第一特征矩阵，包括：根据所述权重矩阵，采用第一层GCN算法对所述节点特征矩阵进行更新，得到第一特征矩阵为：其中，L (1) 表示第一特征矩阵， 表示拉普拉斯矩阵，X表示节点特征矩阵，W 0 表示权重矩阵，ρ为激活函数。 5.根据权利要求4所述的方法，其特征在于，所述拉普拉斯矩阵为：其中，A表示邻接矩阵，D表示度矩阵。 6.根据权利要求4所述的方法，其特征在于，根据所述权重矩阵，采用第二层GCN算法对所述第二特征矩阵进行更新，得到第三特征矩阵，包括：根据所述权重矩阵，采用第二层GCN算法对所述第二特征矩阵进行更新，得到第三特征矩阵为：其中，L (2) 表示第三特征矩阵，L (1) '表示第二特征矩阵，W 1 表示权重矩阵。 7.根据权利要求1至3任一项所述的方法，其特征在于，构建三元组评分函数，针对知识图谱中的三元组，从所述第三特征矩阵中提取关系特征矩阵，根据预先训练的预测模型、评分函数和关系特征，进行异构信息网知识图谱补全， 还包括：针对三元组(h，r，t)从所述第三特征矩阵中提取关系特征处理，其中h表示头实体，r表示关系，t表示尾实体；将所述三元组(h，r，t)中头实体h和尾实体t分别映射至实值向量V h 和V t ；并将关系r表示为同一关系的嵌入节点的均值V r ，得到三元组的评分函数为：f(h,r,t)＝||V h +V r -V t || 2选择TransE模型作为解码器，设置目标函数为：其中，T是所有三元组的集合，T′是负采样的三元组，γ是取值大于0的间隔距离参数，[x] + 表示正值函数，即x＞0时，[x] + ＝x；当x≤0时，[x] + ＝0；根据所述目标函数和所述评分函数训练解码器，通过解码器进行实体预测，以进行异构信息网知识图谱补全。 8.一种基于均值融合的异构信息网知识图谱补全装置，其特征在于，所述装置包括：异构信息网络构建模块，用于获取文本数据，根据所述文本数据，构建开放世界知识图谱；根据开放世界知识图谱，构建异构信息网知识图谱；所述异构信息网知识图谱中节点的节点类型包括：实体节点、关系节点、实体描述信息节点以及实体类型信息节点；权重分配模块，用于根据所述异构信息网知识图谱中相邻节点的相似度信息，确定相邻节点间边的权重；根据所述异构信息网络知识图谱中每条边的权重，得到所述异构信息网络知识图谱对应的权重矩阵；编码模块，用于获取所述异构信息网络知识图谱中节点对应的节点特征矩阵，根据所述权重矩阵，采用第一层GCN算法对所述节点特征矩阵进行更新，得到第一特征矩阵；将所述第一特征矩阵中表示相同关系的关系节点的嵌入表示进行平均值计算，根据平均值计算结果替换关系节点的嵌入表示，并更新所述第一特征矩阵，得到第二特征矩阵；根据所述权重矩阵，采用第二层GCN算法对所述第二特征矩阵进行更新，得到第三特征矩阵；解码预测模块，构建三元组评分函数，针对知识图谱中的三元组，从所述第三特征矩阵中提取关系特征矩阵，根据预先训练的预测模型、评分函数和关系特征，进行异构信息网知识图谱补全。 9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。 10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。