1.一种基于权重因子和非采样损失函数的知识图谱训练方法，其特征在于，包括以下步骤：基于装备的历史维修记录、传感器数据和专家知识，构造基于矩阵/张量分解的知识图谱嵌入模型；所述基于矩阵/张量分解的知识图谱嵌入模型至少包括DistMult、SimplE、ComplEx模型之一；将基于矩阵/张量分解的知识图谱中所有实体和关系组成的非正三元组作为负三元组全部用于训练；在基于矩阵/张量分解的知识图谱嵌入模型中，通过基于概率预测函数的非采样损失函数，缓解基于平方的损失函数带来的模型的性能削弱问题；采用权重因子对负三元组的损失函数进行动态加权，减少易分负三元组对模型训练造成的不良影响；划分训练集和测试集，对知识图谱嵌入模型进行训练，优化模型参数，发现装备潜在问题；其中，对于所述的知识图谱嵌入模型G，对于三元组(h, r, t)，其中h、t∈E，E是实体集，h和t是三元组中的头实体和尾实体，r∈R，R是关系集，r是关系，f r (h, t)表示三元组(h, r, t)的真实标签值，其中，对于正三元组(h, r, t)，f r (h, t)=1，表示头实体h和尾部实体t能够通过关系r连接，而对于负三元组(h, r, t)，f r (h, t)=0，表示头实体h和尾部实体t不能通过关系r连接； 表示基于知识图谱嵌入模型得分函数的预测函数值，旨在判断头实体h和尾实体t是否能够通过关系r连接起来；模型的训练框架旨在通过最小化正负三元组的真实标签值与基于得分函数的预测值之间的差异，学习知识图谱嵌入模型中的实体h、t和关系r的向量表示h、r、t；将 作为三元组(h, r, t)被预测为正三元组的概率预测函数P(r | h, t)；对于三元组(h, r, t)，定义其概率预测函数P(r | h, t)为： ；其中，δ r > 0，表示与关系r相关的阈值超参数，F r (h, t) 为三元组(h, r, t)的得分函数；若(h, r, t)的得分函数F r (h, t) 的取值大于阈值δ r ，P的取值将接近于0，即(h, r,t)被预测为正三元组的概率接近于0，则将其预测为负三元组；反之，预测概率函数取值接近于1，则将其预测为正三元组。
2.根据权利要求1所述的基于权重因子和非采样损失函数的知识图谱训练方法，其特征在于，训练框架使用基于最小二乘的损失函数来定义其优化训练的损失函数，即 ；C hrt 表示对应的三元组(h, r, t)的权重，表示该三元组在模型训练中的重要程度；将上式按正、负样本集进行展开，得到： ；其中，C + 、C - 表示正、负三元组的权重，S + 是正三元组集，S - 是负三元组集；对于正三元组，其真实值f r (h, t)=1，对于负三元组，其真实值f r (h, t)=0，代入上式，得到： 。
3.根据权利要求2所述的基于权重因子和非采样损失函数的知识图谱训练方法，其特征在于，由于三元组的概率预测函数P(r | h, t)的取值范围为[0, 1]，因此， ， ；将损失函数简化定义为： 。
4.根据权利要求3所述的基于权重因子和非采样损失函数的知识图谱训练方法，其特征在于，在所述损失函数中，为所有的负三元组增加一个基于模型的权重因子，在训练过程中动态调整不同负三元组对模型训练的影响；所述负三元组权重因子包括Focal-Loss权重因子和self-adv权重因子。
5.根据权利要求4所述的基于权重因子和非采样损失函数的知识图谱训练方法，其特征在于，所述负三元组Focal-Loss权重因子C F - 为： ；其中，β 1 , γ>0为超参数，β 1 是为了整体平衡正负样本之间的权重，P F 表示负三元组被误分类的概率，即负三元组被误分类为正三元组的概率；对于负三元组(h, r, t)，P F (r | h,t)定义为： ；其中，δ r > 0为阈值超参数，F r (h, t) > 0为三元组(h, r, t)的得分函数；Focal-Loss权重因子的作用为：在模型训练中，对于易分负三元组，其P F 越接近于0，则其权重因子C - 也越接近于0，而对于难分负三元组，其P F 值越大于0，C - 值也越大于0；由此，模型基于预测概率动态调整易分和难分负三元组的权重，通过缩放更大程度的权重值，降低易分负三元组的权重，使模型减少对这部分样本的关注，从而降低易分负三元组对模型训练的影响；对于难分负三元组，其权重小于易分负三元组的缩放程度，使得模型的训练专注于难分负三元组，从而提高模型训练的效果；结合负三元组Focal-Loss权重因子，得到最终的损失函数如下： ；其中，β 1 , γ>0为超参数。
6.根据权利要求4所述的基于权重因子和非采样损失函数的知识图谱训练方法，其特征在于，self-adv权重因子C s - 为： ；其中，β 2 , α>0为超参数，β 2 是为了整体平衡正负样本之间的权重；所述self-adv权重因子C - 的作用为：经过函数变换的负三元组（h j ' , r, t j ' ）的得分函数取值占所有关系为r的负三元组函数变换后得分函数取值之和的比重；结合self-adv权重因子，得到最终的损失函数如下： ；其中，β 2 , α>0为超参数。
7.根据权利要求6所述的基于权重因子和非采样损失函数的知识图谱训练方法，其特征在于，对于DistMult，三元组的得分函数F r 的定义为： ；基于DistMult的概率预测函数P(r | h, t)定义为： ；对于SimplE，三元组的得分函数F r 的定义为： ；基于SimplE的概率预测函数P(r | h, t)定义为： ；对于ComplEx，三元组的得分函数F r 的定义为： ；基于ComplEx的概率预测函数P(r | h, t)定义为： ；计算出模型的得分函数F r 及概率预测函数P(r | h, t)后，代入损失函数中，得出训练框架的最终损失函数，然后进行优化训练，从而为h、r、t学习出最优的嵌入h、r、t。
