(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 202210464241.6 (22)申请日 2022.04.29 (71)申请人 华侨大学 地址 362000 福建省泉州市丰泽区城东城 华北路269号 (72)发明人 王华珍　张恒彰　刘晓聪　汪晓凤　 徐婷婷　李弼程　缑锦　 (74)专利代理 机构 厦门市首创君 合专利事务所 有限公司 3 5204 专利代理师 李艾华 (51)Int.Cl. G06F 16/33(2019.01) G06F 16/332(2019.01) G06F 16/36(2019.01) G06F 40/211(2020.01)G06F 40/295(2020.01) (54)发明名称 一种基于知识图谱关系预测的问题链生成 方法及系统 (57)摘要 本发明公开了一种基于知识图谱关系预测 的问题链 生成方法及系统， 能够基于问句知 识图 谱自动生成问题链， 包括： 基于问句知识图谱构 建问题链数据集； 对问题链的问句实体进行特征 初始化， 并通过特征融合方法获得问题链的融合 头实体和待测尾实体的初始向量； 将融合头实体 和待测尾实体的初始向量送入QCG ‑KGLP模型的 Graph Attention图表示学习模块中， 从而获得 融合头实体和待测尾实体的表示向量； 将融合头 实体和待测尾实体的表示向量输入到QCG ‑KGLP 模型的convKB模块中进行链接 预测， 从而实现问 题链生成。 本发明能有效生 成适应教学场景的有 关联、 有梯度的问题链， 从而助力教师开展提问 教学与提升学生思维能力。 权利要求书3页 说明书9页 附图2页 CN 114860877 A 2022.08.05 CN 114860877 A 1.一种基于知识图谱关系预测的问题 链生成方法， 其特 征在于， 包括如下步骤： 步骤1、 基于问句知识图谱构建问题 链数据集； 步骤2、 对问题链的问句实体进行特征初始化， 并通过特征融合方法获得问题链的融合 头实体和待测尾实体的初始向量； 步骤3、 将融合头实体和待测尾实体的初始向量送入QCG ‑KGLP模型的Graph  Attention 图表示学习模块中， 从而获得融合头实体和待测尾实体的表示向量； 步骤4、 将融合头实体和待测尾实体 的表示向量输入到QCG ‑KGLP模型的convKB模块中 进行链接预测， 从而实现问题 链生成。 2.根据权利要求1所述的基于知识图谱关系预测的问题链生成方法， 其特征在于， 所述 步骤1具体包括： 步骤1.1、 给定问句知识图谱G， 在问句知识图谱G中包含问句实体集合H＝{e1， e2， ...， eN}， 其中N为问句知识图谱G的实体个数； 以任意一个问句实体e为起点沿着图拓扑抓取num 条问题链， 获得问句实体e的问题链集合D ′＝{d1， d2， ...， dnum}， 其中每个问题链d由多跳三 元组组成， 即包含问句实体集合E＝{e1， e2， ...， el}， l表示每个问题链d的长度； 其中， N＞l， l对应的集 合属于N的子集； 步骤1.2、 遍历 问句知识图谱G中所有 的问句实体， 将问句实体集合H中每个问句实体e 所得到的问题链集合D ′添加到问题链数据集D中， 得到问句知识图谱G所对应的问题链数据 集D＝{d1， d2， ...， dO}， 其中O为问题 链总个数。 3.根据权利要求2所述的基于知识图谱关系预测的问题链生成方法， 其特征在于， 所述 步骤2具体包括： 步骤2.1、 将每个问句实体e进行分词并去除停用词预处理， 得到分词集合C＝{c1， c2， ...， cn}， 其中n表示预处 理后每个问句实体e包 含的单词个数； 步骤2.2、 将步骤2.1得到 的分词集合C通过GloVe预训练模型进行初始 向量表示， 获得 词向量集合W＝{w1， w2， ...， wn}， 其中， 词向量 w表示为： w＝GloVe(c)         (1) 其中， GloVe为GloVe预训练模型的词向量表达函数； 步骤2.3、 基于步骤2.2 获得的词向量集合W， 通过对问句实体e中的分词集合C的词向量 集合W进行加权平均， 获得每个问题链d的问句实体的初始向量集合Q＝{q1， q2， ...， ql}， 其 中问句实体e的初始向量q表示 为： 步骤2.4、 针对每个问题链d， 用前l ‑1个问句实体的信息作为该问题链d的融合头实体 S， 其初始向量hS表示为： 其中， i表示问句实体ei在问题链d中从初始 节点开始计算的位置排名； 步骤2.5、 针对每 个问题链d， 将第l个问句实体作为待测尾实体ej， 其向量hj表示为： hj＝ql           (4)。 4.根据权利要求3所述的基于知识图谱关系预测的问题链生成方法， 其特征在于， 所述 步骤3具体包括：权　利　要　求　书 1/3 页 2 CN 114860877 A 2步骤3.1、 将 步骤2.4的融合头实体的初始向量hS及步骤2.5的待测尾 实体向量hj送入基 于图Attention的问句知识图谱表示学习模块中， 计算 问题链d中融合头实体S与待测尾实 体ej的注意力系数αSj， 其公式为： bSj＝LeakyReLU(W2cSj)     (6) cSj＝W1[hS||hj||gr]            (7) 其中， 关系向量gr是融合头实体S和待测尾实体 ej的关系r的嵌入向量， W1、 W2表示线性转 换矩阵， ||表 示连接符号， cSj表示融合头实体S和待测尾实体ej所组成三元 组的加权线性组 合， bSj表示融合头实体S和待测尾实体ej的相对注意力矩阵， NS表示所有与融合头实体S相 邻的实体集 合， en是属于NS的实体， bSn表示融合头实体S和实体en的相对注意力矩阵； 步骤3.2、 基于步骤3.1中得到 的融合头实体S与待测尾实体ej的加权线性组合cSj以及 注意力系数αSj， 计算经过基于图Attention的问句知识图谱表示学习模块后获得的融合头 实体S的表示向量h ’S： 其中， σ 表示任意的非线性 函数， M表示独立注意力层的层数； 步骤3.3、 基于步骤2.4的融合头节点S的初始向量hS与步骤3.2的表示向量h ′S， 计算融 合头实体S的最终表示向量h ”S， 其计算方式为： h”S＝WEhS+h′S            (9) 其中， WE是需要训练的线性 转换矩阵。 5.根据权利要求4所述的基于知识图谱关系预测的问题链生成方法， 其特征在于， 所述 步骤4具体包括： 步骤4.1、 将步骤3.3的融合头实体S的最终表示向量h ”S、 步骤2.5的待测 尾实体向量hj 以及关系向量gr送入基于convKB的问题链关系判别器中， 计 算融合头实体S与待测尾实体ej 是否存在链式关系的得分函数 其计算方法如下： 其中， 表示融合头实体S与待测尾实体ej组成的预测问题链， ωm表示第m个卷积过滤 器， Ω表示模型中的过滤器数量 的超参数， *是卷积运算符， W是线性转化矩阵， levelS表示 融合头实体S中最后一个节点eS的问句难度系数， levelj表示待测尾实体ej的问句难度系 数； 步骤4.2、 基于步骤4.1的得分函数 计算QCG‑KGLP模型 下游任务的损失 其中， 表示融合头 实体S与待测尾实体ej组成的预测问题链， 当 时， lSj＝‑1； 当 时， lSj＝1； J表示 正确的问题 链集合， J’表示错误的问题 链集合； 步骤4.3、 基于步骤3.3的融合头实体S的最终表示向量h ”S、 步骤2.5的待测尾实体向量 hj以及关系向量gr， 计算QCG‑KGLP模型中基于图Attention的问句知识图谱表示 学习模块的权　利　要　求　书 2/3 页 3 CN 114860877 A 3