1.一种基于图神经网络的知识图谱复杂问题生成方法，其特征在于，包括：S1：将输入的带权值的知识图谱子图进行重构，转换成有向无权的知识图谱子图；S2：初始化所述有向无权的知识图谱子图中的向量表示；所述带权值的知识图谱子图由多个三元组构成，每个三元组包括主语、谓语、宾语，主语和宾语作为实体节点，而谓语作为边连接实体节点，构成一个子图：其中，V是实体节点集合，E是关系边集合；所述有向无权的知识图谱子图表示为：其中，V＝{v 1 ,v 2 ,…,v N }，N是节点的数目，调整顺序让V1表示全局关系节点， 是邻接矩阵，记录子图N个节点之间的连通关系；S3：利用Bi-MHDGT图神经网络对有向无权的知识图谱子图进行编码，结合有向无权的知识图谱子图结构信息更新节点的向量表示：根据有向无权的知识图谱子图的邻接矩阵信息，在图神经网络的每一层，节点能根据经过该层层数以内跳数的节点的信息更新表示，并引入额外的嵌入表示向量标识不同节点之间的距离；其中，有向无权的知识图谱子图中节点i的更新方式为：其中， 是节点i第l层的向量表示，初始化 表示节点i的l跳内节点集合，W v 表示可学习的参数矩阵，α ij 表示节点i和节点j之间的权重系数，α ij 的计算如下式所示：其中，hop ij 表示节点i和节点j之间跳数的向量表示， 和W k 是可学习的参数矩阵，softmax是激活函数，最后α ij 计算过程包括两部分，(a)部分与Transformer网络的注意力计算过程一致，(b)部分表示节点i对节点j的关系偏向；分别对节点的出边和入边编码得到节点的出边编码和入边编码；最后经过L层图神经网络的编码，得到有向无权的知识图谱子图节点的表示；S4：根据更新后的节点向量表示，使用GRU网络进行解码，并使用注意力机制和复制机制，生成复杂问题：使用GRU网络进行解码，生成问题文本序列，GRU的初始隐藏状态为全局关系的向量表示，在每一个时间步t根据当前输入和编码器输出的节点向量表示H预测当前时间步的输出，其初始输入为自定义标识符“sos”，后续时间步的输入为前一个时间步的输出y t-1 ；利用注意力机制，在每一个时间步解码器注意到编码器输出的H＝{h 1 ，h 2 ，...，h N }中不同信息，得到当前时间步的上下文信息向量c t ，计算公式如下：其中，α tj 的计算公式如下：其中，a表示注意力计算函数；然后，预测词典分布P vocab ，公式如下所示：P vocab ＝softmax(tanh(W*[s t ||c t ||y t-1 ]+b)其中，W和b是可学习参数，tanh是激活函数；然后，确定当前时间步生成问题词语的概率分布：p(y t |y ＜t )＝p gen *P vocab +(1-p gen )*P copy其中，p gen 表示直接从词典中生成当前时间步的生成问题词语的概率，P copy 表示利用复制机制从输入子图中复制一个节点当作当前时间步的生成问题词语的概率；最后，通过softmax函数求得概率最高的词语作为时间步输出的y t 。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1中将带权值的知识图谱子图进行重构，转换成有向无权的知识图谱子图的方法包括：将带属性的关系边转化成为一个节点，同时添加两条有向边连接头实体节点和尾实体节点；添加全局关系节点，并通过边连接所有关系节点；对每个节点增加自循环边连接自身。
3.根据权利要求1所述的方法，其特征在于，所述步骤S2中初始化所述有向无权的知识图谱子图中的向量表示的方法包括：对有向无权的知识图谱子图中的实体节点和关系节点进行初始化向量表示。
4.根据权利要求3所述的方法，其特征在于，对有向无权的知识图谱子图中的实体节点进行初始化向量表示的方法为：通过一个可学习的嵌入表示矩阵E entity 将实体节点映射为向量；使用one-hot向量标记实体节点中的答案实体，再通过另一个嵌入表示矩阵E answer 将该one-hot向量映射为与E entity 维度相同的向量，然后相加得到实体节点的初始化向量表示。
5.根据权利要求3所述的方法，其特征在于，对有向无权的知识图谱子图的关系节点进行初始化向量表示的方法为：将关系节点包含的领域、类型和主题信息表示成一个序列{r 1 ，r 2 ，r 3 }，然后使用Bi-GRU网络对其进行编码，计算过程如下：其中， 和 分别表示前向GRU网络和后向GRU网络的时间步t隐藏状态，最后将前向GRU网络和后向GRU的最后隐藏状态串联结果 作为关系节点的初始化向量表示。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述方法还包括对步骤S1～S4所构成的模型进行优化，优化的方法为，定义损失函数，通过最小化损失函数，使得模型达到最优。
7.根据权利要求6所述的方法，其特征在于，所述的损失函数为：其中，其中 表示输入的知识图谱子图，a表示答案实体，θ qg 表示模型所有的参数，t表示序号。
8.一种基于图神经网络的知识图谱复杂问题生成系统，用于实现权利要求1-7任一项所述的基于图神经网络的知识图谱复杂问题生成方法，其特征在于，包括：重构单元，用于将输入的带权值的知识图谱子图进行重构，转换成有向无权的知识图谱子图；初始化单元，用于初始化所述有向无权的知识图谱子图中的向量表示；编码单元，用于利用Bi-MHDGT图神经网络对有向无权的知识图谱子图进行编码，结合有向无权的知识图谱子图结构信息更新节点的向量表示；生成单元，用于根据更新后的节点向量表示，使用GRU网络进行解码，并使用注意力机制和复制机制，生成复杂问题。
