(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 202210930899.1 (22)申请日 2022.08.04 (71)申请人 中国科学院空天信息创新研究院 地址 100190 北京市海淀区北四环西路19 号 (72)发明人 陈嘉辉　彭玲　杨颐　葛星彤　 李玮超　 (74)专利代理 机构 北京科迪生专利代理有限责 任公司 1 1251 专利代理师 金怡 (51)Int.Cl. G06F 16/387(2019.01) G06F 16/36(2019.01) G06N 3/04(2006.01) (54)发明名称 一种基于图表示学习的时空信息 推理方法 (57)摘要 本发明涉及一种基于图表示学习的时空信 息推理方法， 包括如下步骤： 步骤1、 利用时空知 识图谱， 进行多源时空数据融合， 对时空的特征 进行建模,得到图结构表示的时空知识图谱； 步 骤2、 在预计算阶段， 将时空知识图谱进行向量化 表示， 将向量化值存储在表示学习向量库中； 步 骤3、 在预计算阶段， 基于图神经网络对图进 一步 特征学习， 优化图表示学习， 并将最终的图表示 学习向量值存储在图表示学习向量库中； 步骤4、 在推理预测阶段， 通过图表示学习的链接预测过 程来对时空进行推理。 权利要求书2页 说明书5页 附图3页 CN 115292523 A 2022.11.04 CN 115292523 A 1.一种基于图表示学习的时空信息推理方法， 其特 征在于， 包括如下步骤： 步骤1、 利用时空知识图谱， 进行多源时空数据融合， 对时空的特征进行建模,得到图结 构表示的时空知识图谱； 步骤2、 在预计算阶段， 将时空知识图谱进行向量化表示， 将向量化值存储在表示学习 向量库中； 步骤3、 在预计算阶段， 基于图神经网络对图进一步特征学习， 优化图表示学习， 并将最 终的图表示学习向量 值存储在图表示学习向量库中； 步骤4、 在推理预测阶段， 通过图表示学习的链接预测过程 来对时空进行推理。 2.根据权利要求1所述的一种基于图表示学习的时空信 息推理方法， 其特征在于， 所述 步骤1具体包括： 将时空数据经过特征离散化， 并将其中的信息按照图结构来表示， 时空场景下的知识 图谱结构中， 节点表 示具体的区域、 时间点或时间区间、 事件、 事件的其他属性值， 边表 示方 位、 时间顺序或属性包 含关系。 3.根据权利要求2所述的一种基于图表示学习的时空信 息推理方法， 其特征在于， 所述 空间图结构中， 将一个目标区域划分为M*N个矩形区域， 矩形区域之 间的组织共有两种关联 方式， 等区域关联与上下层区域关联， 等区域关联代表在既定尺度划分区域下， 关注： 北、 东、 南、 西、 东北、 东 南、 西南和西北八个方向下的区域。 4.根据权利要求2所述的一种基于图表示学习的时空信 息推理方法， 其特征在于， 在时 间图结构构造中， 每个时间实体代表 一个时刻， 时间点之 间的关系有两种类型： 包含关系和 顺序关系。 5.根据权利要求2所述的一种基于图表示学习的时空信 息推理方法， 其特征在于， 在属 性图结构中， 所述 其他属性根据具体的应用场景进行细化。 6.根据权利要求1所述的一种基于图表示学习的时空信息推理方法， 其特 征在于， 将构建好的时空知识图谱进行图表示学习来表示节点， 首先使用知识图谱表示学习算 法将时空知识图谱中的节点和边在旋转向量空间进行表示， 具体来说是将三元组中的头、 尾实体映射到复数空间， 希望得到： 尾实体向量表示 ＝头实体向量表示与关系的哈达 玛积； 通过对知识图谱中的节点和关系在复数空间上旋转的表示学习， 最终得到节点的向量 表示,这些表示具有时空语义信息 。 7.根据权利要求6所述的一种基于图表示学习的时空信息推理方法， 其特 征在于， 学习过程如下： 首先对图知识图谱中的时空信息进行随机初始化， 知识图谱中存在的 三元组作为训练的正样本， 负样本的生成策略是： 固定住三元组的头实体和关系， 去除尾实 体， 并使用同类且不在样本中的实例对尾实体进 行替换， 对应生成负样本， 经过旋转空间的 评分函数进行细算后 分别得到正负样本Loss并整合为总 Loss来对上轮的表示学习结果进 行优化。 8.根据权利要求1所述的一种基于图表示学习的时空信 息推理方法， 其特征在于， 所述 步骤3具体如下： 使用节点向量， 即表示学习的结果， 作为图神经网络节点的初始特征进行学习， 最终将 任务变成一个归纳式学习的过程， 将图上节点状态更新的操作分为了按比例随机采样时空 关联节点聚合， 以及更新节点信息 。权　利　要　求　书 1/2 页 2 CN 115292523 A 29.根据权利要求1所述的一种基于图表示学习的时空信 息推理方法， 其特征在于， 所述 步骤4具体包括： 计算两个节点表示向量之间的点积来计算预测分数， 这个分数也代表了两节点间存在 连接的可能性。权　利　要　求　书 2/2 页 3 CN 115292523 A 3