基于时序关联推理的事件知识补全技术研究与应用.pdfVIP

摘要

基于知识图谱的智能问答系统通过将大量的结构化和非结构化数据转换为可

查询的知识图谱，充分利用了知识图谱中的关系链，将数据、信息和知识相结合，

实现对信息的高度结构化和语义化，从而获得更准确的答案。知识的时效性以及语

义完整性都对问答结果有重要的影响，时序知识图谱描述了实体及其关系随时间

而变化的特点，通过捕捉时间序列数据中的动态依赖性，挖掘时序知识图谱中实体

之间复杂的关系依赖，预测并补充图谱中缺失的事件或者属性信息，增强图谱的完

整性和连贯性。

本文开展基于时序关联推理的事件知识图补全与问答技术的研究，通过设计

一个基于时序嵌入的知识补全机制，学习历史网络结构中实体和关系随时间变化

的模式，增强网络节点关系的链接预测能力，从而提升时序知识图谱嵌入的精度和

时序知识图谱完整性。针对全球范围内的新闻事件，建立了一个基于时序知识图谱

的智能问答系统，对相关问题实现自适应回答。本文的主要贡献与工作包括：

（1）提出了一种基于时间序列嵌入的知识图谱填补策略，学习历史网络结构中

实体和关系随时间变化的模式，加强全局网络结构中实体之间的关系依赖，实现了

时序知识图谱的补全质量的优化。实验结果表明，本论文所构建的时序知识图谱补

全模型在各种通用数据集上的性能都有所提升。

（2）构建并实现了以新闻事件为焦点的、知识图谱补全与问答系统。结合时序

知识图谱的典型数据集ICEWS05-15构建初始图谱，捕获时序关系，补全缺失内

容，智能抽取事件，细化用户提问，实现精准问答。该智能问答系统具备面向特定

领域的事件发现与评估能力，具有较好的应用价值。

关键词：时序知识图谱，知识补全，时序嵌入，智能问答

ABSTRACT

Intelligentquestionansweringsystemsareusedinthefieldoftemporalknowledge

graphstoconvertlargeamountsofstructuredandunstructureddataintoqueryable

knowledgegraphs,makingfulluseoftherelationshipchainsintheknowledgegraphto

combinedata,informationandknowledge.Achievehighlystructuredandsemantic

informationtoobtainmoreaccurateanswers.Thetimelinessandsemanticintegrityof

knowledgehaveanimportantimpactonthequestionandanswerresults.Thetemporal

knowledgegraphdescribesthecharacteristicsofentitiesandtheirrelationshipsthat

changeovertime.Bycapturingthedynamicdependenciesintimeseriesdata,theentities

inthetemporalknowledgegrapharemined.Thecomplexrelationshipsdependoneach

other,predictandsupplementmissingeventorattributeinformationinthemap,and

enhancethecompletenessandcoherenceofthemap.

Thisthesisconductsresearchoneventknowledgecompletionandquestionand

answertechnologybasedontemporalcorrelationreasoning.Bydesigningknowledge

completio