(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 202210497722.7 (22)申请日 2022.05.09 (71)申请人 江苏有米云智慧科技有限公司 地址 225000 江苏省扬州市经济技 术开发 区扬子江中路18 8号A-11F (72)发明人 高峰　曾燕　顾进广　刘茂福　 周杰　王昆　潘巧玲　陆紫雯　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 严彦 (51)Int.Cl. G06N 5/04(2006.01) G06F 40/30(2020.01) G06F 16/36(2019.01) (54)发明名称 一种基于规则嵌入表示的多空间语义数据 流推理方法 (57)摘要 本发明提供一种基于规则嵌入和上下文感 知的动态知识 推理方法， 首先实现规则与事实的 联合嵌入表示， 然后针对不同的语义数据流推理 需求和场景实现设置不同的动态推理过程， 包括 基于平行语义空间推理的规则嵌入动态推理， 基 于上下文感知 的规则嵌入动态推理和基于规则 泛化学习的动态 推理。 本发明对融合了规则学习 的联合嵌入模型做出改进以适应高速变化的语 义数据流推理查询， 该方案相比传统的流推理引 擎可以在保证较高推理准确性的前提下提升复 杂推理速度， 其知识嵌入表示方法适用于1 ‑1至 N‑N实体关系嵌入场景， 同时其规则学习方法适 用于弱规则约束下的动态推理场景。 权利要求书1页 说明书12页 附图5页 CN 115438789 A 2022.12.06 CN 115438789 A 1.一种基于规则嵌入和上下文感知的动态知识推理方法， 其特征在于： 首先实现规则 与事实的联合嵌入表示， 然后针对不同的语义数据流推理需求和 场景实现设置不同的动态 推理过程， 包括基于平行语义空间推理的规则嵌入动态推理， 基于上下文感知的规则嵌入 动态推理和基于规则泛化学习的动态推理； 所述基于平行语义空间推理的规则嵌入动态推理， 是针对头尾实体比例为1:1的推理 场景， 结合语义数据流处理平台和知识表示学习进 行处理， 实现过程包括首先， 对联合 嵌入 模型KALE扩展， 实现复杂规则和事实元组的统一表示推理框架； 然后实现嵌入空间的构建 和选择； 最后实现基于联合嵌入模型 的动态推理训练， 并根据训练输出模型实现实时知识 推理； 所述基于上下文感知的规则嵌入动态推理， 是针对头尾实体比例 1对多或多对多的推 理场景， 进 行基于上下文感知的多语义空间融合表示知识推理， 实现过程包括首先， 在多空 间联合嵌入模型基础上扩展， 实现上下文感知的动态推理框架； 其次， 对实体关系及其类型 与规则关联上下文进 行建模和表示； 第三， 进行上下文向量空间和规则嵌入空间的集成； 最 后， 实现对增量更新和累计偏移感知的支持； 所述基于规则泛化学习的动态推理， 是针对弱规则约束或规则不全的推理场景， 依据 规则样例来进行规则学习， 从而泛化规则并扩展推理结果， 实现过程包括在知识表示学习 的实时推理基础上进行规则泛化研究， 并结合语义数据流处理平台， 实现弱规则约束下 的 不确定性实时知识推理。 2.根据权利要求1所述基于规则嵌入和上下文感知的动态知识推理方法， 其特征在于： 所述基于平行语义空间推理的规则嵌入动态推理包括以下步骤： 步骤1， 构建动态联合嵌入 模型整体训练框架； 步骤2， 基于语义与结构关联相结合的子嵌入空间生成方法， 覆盖2跳范围内的语义和 结构关联空间； 步骤3， 基于三元组索引的子嵌入空间选择， 基于新增三元组及其关联规则选择更新的 自嵌入空间； 步骤4， 制定基于间距模型的目标函数与方案； 步骤5， 实现基于 C‑SPARQL引擎的动态联合嵌入 模型扩展和实时推理。 3.根据权利要求1所述基于规则嵌入和上下文感知的动态知识推理方法， 其特征在于： 所述基于上 下文感知的规则嵌入动态推理包括以下步骤： 步骤1， 涵盖2跳距离的实体及其类型 上下文子图构造； 步骤2， 涵盖2跳距离的同向路径、 父关系类型和规则关联的关系上 下文子图构造； 步骤3， 多向量 集成和规则联合嵌入； 步骤4， 基于上下文子图的增量更新， 并动态维护累计向量偏移量， 当累计偏移量超过 限定值时进行全局嵌入空间更新。 4.根据权利要求1或2或3所述基于规则嵌入和上下文感知的动态知识推理方法， 其特 征在于： 所述 规则泛化学习的动态推理包括以下步骤， 步骤1， 面向OW L规则的泛化学习模型； 步骤2， 基于多空间增量训练的NRE推理。权　利　要　求　书 1/1 页 2 CN 115438789 A 2一种基于规则嵌入表示的多空间语 义数据流推 理方法 技术领域 [0001] [0002]本发明属于知识图谱和数据流处理领域， 具体而言， 是将知识表示学习方法用于 动态知识推理任务中， 实现在高速知识更新场景 下的语义数据流推理技 术。 背景技术 [0003]随着移动互联网、 大数据、 物联网、 社交网络等技术的发展， 越来越多的需要对高 速实时数据流进 行分析和处理。 传统的数据流处理手段主要根据数据流中的数据结构或者 取值进行数据流的聚、 分类研究[1]， 无法在语义和知识层面上进 行数据流的分析和推理。 在 知识图谱技术的支持下， 可以利用资源描 述框架(Resourc e Description  Framework， RDF) 将语义和知识赋予数据流， 获得具有更好的可互操作性和可推理能力的语义数据流。 语义 数据流可以与静态的背景知识相结合 来进行查询和推理， 具有广泛的应用价 值。 [0004]近年来知识推 理领域取得了较多进展， 但 现有并行规则推 理机制在应对大规模图 谱时仍有不足[2]。 RDFox[3]提出了一种高性能的知识图谱查询推理机制， 并使用前后向结合 的方式进行删除一致性检查。 文献[4]提出了基于单链推导(Single ‑way Derivability)优 化的并行前向推理算法， 并且性能优于RDFox。 然而， 以上知识推理研究主要针对静态数据， 不适用于语义数据流。 国内对于语义数据流的研究主要集中在窗口与查询优化[5]、 事件处 理[6]和聚类分析[7]， 对语义数据流的实时推理的研 究较少。 现有的语义数据流推理方案主 要基于确定性规则推导， 不确定性知识推理的目前尚无法应用到语义数据流上。 较早的不 确定性统计推理主要使用马尔可夫逻辑网[8]和概率软逻辑[9]等手段， 对本体频繁模式、 约 束和路径进 行分析， 从而得出推理结果,但这些方法仍然需要依赖实例化， 因此可计算性较 差[10]。 [0005]2013年， 在Mikolov等人提出了wor d2vec[11]词表示学习模型之后， 表示学习的方 式在知识图谱领域受到广泛关注。 随后Bordes等提出了TransE知识表示学习模型[12]。 该模 型将三元组中的关系看作平移向量， 表示头实体与尾实体之间的平移。 因为TransE模型的 参数简单， 计算复杂度低， 出现了大量基于TransE模 型改进和补充的知识表 示学习模 型， 如 TransH[13]、 TransR[14]和TranSpare[15]等。 虽然以上模型 都对Tran sE模型做 了相应的改进， 但是都是基于事实三元组的向量化而没有利用规则， 因此KALE[16]在TransE模型的基础上 建立了三元 组与规则的统一表 示框架。 然而KA LE无法进行增量更新。 此外， KALE也无法进 行 对规则本身的学习和泛化， 来满足弱规则约束下的推理需求。 [0006]动态图嵌入(Dynamic  Graph Embedding)方法在知识表示学习的基础上研究对动 态变化的图进行推理。 动态嵌入方法通过在代价函数中引入时间正则化[17]或加入基于时 间层的注意力机制[18]等方法来捕捉图的变化特征， 往往运用在 新闻事件、 社交网络或无线 网络分析领域。 但 这种方法仍需要进 行全量训练， 因此主要研究提高对于低速变化(更新时 间以数日到数年计)图的预测准确性， 而非及时性。 通过对学习率的动态调整 可以缩短训练 时间[19]， 这种方法依赖 于数据特性， 因此 可迁移性较差 。说　明　书 1/12 页 3 CN 115438789 A 3