异质网络环境下动态知识图谱构建技术研究

Knowledge graph (KG) is dedicated to providing the corresponding knowledge system for the search results and helping users discover new knowledge faster and easier. Most of the existing knowledge graphs focus on static data and lack solutions to temporal and dynamic data. This project focuses on the heterogeneity and time sequence of information network and the dynamics of constructing knowledge graph, and delves into dynamic knowledge graph construction techniques in heterogeneous information networks. We study constructing the knowledge graph model dynamically and define the network programmatically based on the data. Also, the existing knowledge fusion techniques are combined to study the function of link relationship in heterogeneous networks, and the problem of how to conduct the incremental learning process when the links evolve. Aiming at the uncertainty of contents, we study the corresponding unsupervised, semi-supervised and supervised learning methods. In addition, the temporal information evolution framework is designed and the probability transition model is constructed to explore the change trend and change degree of entity attribute values. A scalable and dynamic link prediction model is constructed to understand the heterogeneity and dynamics in the process of knowledge graph completion. The goal is to solve the key problems presented in this project and to improve the self-adaptability and time-space consistence. The research findings can be used in search engine, question answering, recommendation and precision marketing, and so on, which have significant theoretical value and practical value.

知识图谱致力于为搜索结果提供相应的知识体系，让用户更快更容易地发现新知识，大部分现有知识图谱都关注静态数据，缺少对时序、动态数据的解决方案。本项目重点关注信息网络异质性、时序性和知识图谱构建过程动态性，对异质网络环境下动态知识图谱构建技术展开深入探索。研究动态构建知识图谱网络模型，依据数据来程序化定义网络；结合已有知识融合技术，研究异质网络中链接关系的作用，以及链接发生演变后如何进行增量学习的问题，针对异质信息网络内容的不确定性，研究相应的（非、半）监督学习算法；设计时序信息演化分析框架，通过构建概率转换模型，探寻实体属性值的变化趋势及程度，构建一个可扩展的动态链接预测模型来研究知识图谱补全过程中的异质性和动态性。本课题目标是解决本项目所提出的诸多关键科学问题，提升知识图谱构建过程中的自适应性和时空一致性。研究成果可用于搜索引擎、问答、推荐、精准营销等领域，具有重要的理论和实际应用价值。

本课题主要面向异质网络环境进行动态知识图谱构建及应用研究，根据目前国内外相关研究进展，按照研究内容、研究目标开展了系统的研究工作。针对异质信息网络的时序性、动态性、资源约束性构建动态知识发现模型，构建完成新颖的可解释的动态推理网络(DRN) ，在每一步预测一个关系，所有中间关系形成一条可追溯的推理路径，使我们的模型具有可解释性。我们针对多源数据进行知识抽取，研究如何构建实体、概念映射关系元模型，设计完成了一种新的递归层次-交互式注意网络(RHIA)，同时模拟关系层次之间的启发式效应。为了从普通文本中找到感兴趣的关系事实，我们从两个角度研究设计了一个端到端网络来建模关系的相关性。因为动态网络的节点经常会存在一些时序活动模式，我们研究了实体的演化过程，针对跨语言异构知识图谱进行全局实体对齐，提出了一个半监督邻域匹配模型。另外，我们提出的实体对齐模型RAEA，保留了关系感知和属性嵌入，同时我们加入了文本信息增强策略。我们还利用现有知识图谱来预测实体之间的关系，针对知识图谱中的实体和关系具有不同的类型和属性，分析实体对象之间的跨语言、跨类型链接信息。另外，我们还结合了广泛的结构和特定的语义来提高实体对齐的性能。. 针对多种相关数据的对比实验结果表明，上述方法的性能表现充分体现了其有效性、先进性、新颖性、鲁棒性及其泛化能力，很多新的方法、技术都是首次提出和应用。本项目的研究成果充分考虑了动态信息特点，将分散在各种异质系统中的知识进行融合，将在特定领域知识库的构建中得到广泛应用。. 通过开展本项目的研究，已在《Neural Networks》、《Knowledge and Information Science》、《Journal of Web Semantics》、《Information Sciences》、《软件学报》等国内外权威期刊发表学术论文21篇，授权发明专利5项。