摘 要：在各大知識推理應(yīng)用場景下，知識圖譜中時(shí)序的缺失、知識圖譜構(gòu)建時(shí)實(shí)體關(guān)系的不完善，已然成為研究者們亟需解決的問題。為此，構(gòu)造了一種融合時(shí)序信息與小樣本關(guān)系的知識圖譜推理模型，該模型將知識圖譜的三元組表示擴(kuò)展到含有時(shí)序信息的四元組表示，并通過時(shí)序信息來提高推理路徑的準(zhǔn)確性。此外，通過元學(xué)習(xí)從高頻關(guān)系中學(xué)習(xí)元參數(shù)，并使用元參數(shù)適配小樣本關(guān)系任務(wù)，提高模型在小樣本關(guān)系中的泛化能力。實(shí)驗(yàn)表明，所提出的方法在Hits@1、Hits@3、Hits@10和MRR上均高于對比方法，并且均提高5%以上，表明所提出的方法可以完成知識圖譜的推理，并且在小樣本關(guān)系下具有較好的效果。

關(guān)鍵詞：知識圖譜推理；時(shí)序；小樣本學(xué)習(xí)；元學(xué)習(xí)；強(qiáng)化學(xué)習(xí)；多跳推理

中圖分類號：TP3-0 文獻(xiàn)標(biāo)識碼：A 文章編號：2095-1302（2024）05-0-05

0 引 言

知識圖譜是一種使用圖結(jié)構(gòu)模型來描述、構(gòu)建和表示實(shí)體之間關(guān)系的技術(shù)[1]，它在問答系統(tǒng)、推薦系統(tǒng)、語義分析等領(lǐng)域都發(fā)揮著重要的作用。一般地，知識圖譜是用三元組（h， r， t）表示相關(guān)事實(shí)的集合，其中，h、t表示實(shí)體，r表示實(shí)體之間的關(guān)系。

目前，由三元組構(gòu)成的知識圖譜已經(jīng)可以很好地表示實(shí)體之間的關(guān)系了，但是這種方式忽略了實(shí)體關(guān)系中的時(shí)序信息。為了解決知識圖譜中時(shí)序信息表示問題，研究人員將三元組形式的知識圖譜擴(kuò)展到由四元組（h， r， t， τ）表示[2]的時(shí)序知識圖譜，其中τ表示時(shí)序信息。

知識圖譜推理是人工智能領(lǐng)域的一個(gè)前沿研究方向，其旨在通過圖譜中已有的實(shí)體和關(guān)系推斷出未知的目標(biāo)實(shí)體。在小樣本場景下，融合時(shí)序信息的知識圖譜可以幫助下游任務(wù)解決信息稀疏、路徑選擇困難等問題，因此融合時(shí)序信息的知識圖譜推理技術(shù)得到了不少研究者的關(guān)注。

1 相關(guān)工作

國內(nèi)外研究人員從不同角度對知識圖譜推理技術(shù)進(jìn)行了相關(guān)研究，主要使用兩大方法：基于知識圖譜嵌入的方法[3-6]和基于多跳推理的方法[7-9]。

基于知識圖譜嵌入的方法中，研究人員將時(shí)序信息嵌入到低維空間中，通過評分函數(shù)對推理結(jié)果進(jìn)行打分，然后根據(jù)最終打分結(jié)果來選擇目標(biāo)實(shí)體，該方法在隱式推理上具有不錯(cuò)的效果。

基于多跳推理的方法中，通過強(qiáng)化學(xué)習(xí)將知識圖譜推理過程建模成馬爾科夫序列決策過程，找到實(shí)體與關(guān)系之間的預(yù)測路徑來得到目標(biāo)實(shí)體，該方法在目標(biāo)實(shí)體推理的過程中具有較強(qiáng)的可解釋性。

文獻(xiàn)[10]中提出了一種基于元學(xué)習(xí)的多跳推理模型（Meta-KGR），該模型將帶有同一關(guān)系的實(shí)體查詢視為一個(gè)任務(wù)，采用強(qiáng)化學(xué)習(xí)方法訓(xùn)練智能體（Agent）來搜索目標(biāo)實(shí)體和推理路徑。值得肯定的是，該方法從高頻關(guān)系中學(xué)習(xí)到的元信息在處理小樣本關(guān)系時(shí)具有不錯(cuò)效果。

綜上所述，研究人員對時(shí)序信息表示和知識圖譜推理進(jìn)行了相關(guān)探索與研究，但是在小樣本知識推理過程中仍然存在一些局限，主要有以下三個(gè)方面：

（1） 基于圖譜嵌入的方法主要通過隱式推理完成任務(wù)，只能得到最終的推理結(jié)果，而不能得到真實(shí)的推理路徑，因此該方法忽略了推理路徑的可解釋性，限制了其在更復(fù)雜的推理任務(wù)中的使用；

（2） 基于多跳推理的方法在知識圖譜推理過程中，往往不考慮圖譜中的時(shí)序信息，因此該方法忽略了時(shí)序信息在推理過程中所帶來的增益，限制其在小樣本關(guān)系推理上的應(yīng)用；

（3） 對于小樣本關(guān)系下時(shí)序知識圖譜推理的研究尚不成熟，評價(jià)標(biāo)準(zhǔn)也不完善，對推理路徑的長度也沒有統(tǒng)一的度量指標(biāo)。

鑒于以上分析，本文結(jié)合實(shí)體關(guān)系中的時(shí)序信息和小樣本關(guān)系的特點(diǎn)，提出了一種適用于小樣本關(guān)系下融合時(shí)序信息的知識圖譜推理的策略。

2 模型設(shè)計(jì)

本文設(shè)計(jì)了一種適用于小樣本關(guān)系時(shí)序知識圖譜推理的FastRS-Path模型，該模型設(shè)計(jì)主要包括多跳推理設(shè)計(jì)、策略網(wǎng)絡(luò)設(shè)計(jì)和元學(xué)習(xí)設(shè)計(jì)。如圖1所示是FastRS-Path模型的結(jié)構(gòu)，主要由路徑推理、策略網(wǎng)絡(luò)和回報(bào)函數(shù)構(gòu)成，圖中{es， e1， ...， et}表示智能體能夠找到目標(biāo)實(shí)體的多跳路徑，{τ0|r0， τ1|r1， ...， τt|rt}表示在時(shí)序τ下的實(shí)體關(guān)系r，{h0， h1， ...， ht}表示在{τ0|r0， τ1|r1， ...， τt|rt}下LSTM的隱藏狀態(tài)。

2.1 多跳推理

在對時(shí)序知識圖譜表示時(shí)，本文將圖譜定義為有向圖G=（V， E， R， Γ），其中V和E分別表示圖譜頂點(diǎn)和邊的集合。通過POMDP對部分可觀測環(huán)境規(guī)劃問題進(jìn)行系統(tǒng)建模，使用六元組{S， A， T， R， O， Ω}表示POMDP模型，其中S表示所有連續(xù)狀態(tài)空間，O表示未觀測到的狀態(tài)空間，A表示所有行為的集合，T表示概率轉(zhuǎn)移矩陣，R表示觀測點(diǎn)上對應(yīng)行為的回報(bào)，Ω表示觀測點(diǎn)轉(zhuǎn)移后被觀測到的概率。具體地，POMDP的每個(gè)組成部分解釋如下：

（1）狀態(tài)S：狀態(tài)s∈S表示為s=（， es， r， et， τ），其中，表示當(dāng)前到達(dá)的實(shí)體，es和et分別為源實(shí)體和目標(biāo)實(shí)體，r表示es和et在τ時(shí)刻的關(guān)系。

（2）觀測O：環(huán)境是不可觀測的，只轉(zhuǎn)移其當(dāng)前位置和任務(wù)。觀測函數(shù)定義為O（S=（， es， r， e0， τ））=（et， es， r， τ）。

（3）行為A：行為空間被定義為狀態(tài)s下可能的關(guān)系和時(shí)序點(diǎn)的集合，由狀態(tài)s下圖譜中頂點(diǎn)的所有出方向的邊組成。形式上，，其中v是一個(gè)臨時(shí)實(shí)體。在時(shí)序τc中，每個(gè)狀態(tài)下的智能體從多個(gè)出邊中選擇rc并到達(dá)臨時(shí)實(shí)體v，且智能體在推理路徑上所走的步數(shù)小于給定長度。

（4）轉(zhuǎn)換T：根據(jù)智能體選擇的邊，環(huán)境將當(dāng)前狀態(tài)更新為新狀態(tài)。狀態(tài)轉(zhuǎn)移函數(shù)定義為δ（s， A）=（v， es， r， et， τ），其中s表示狀態(tài)，A表示智能體選擇的行為空間。

（5）回報(bào)R：在時(shí)序圖譜推理路徑中，智能體傾向于選擇重復(fù)的推理路徑。為了鼓勵(lì)智能體盡可能地探索有效路徑，本文提出了一種新的回報(bào)函數(shù)（如圖2所示），該函數(shù)對基礎(chǔ)回報(bào)Rb進(jìn)行修正，通過引入輔助回報(bào)δ來降低推理路徑的整體回報(bào)，提高發(fā)現(xiàn)新實(shí)體的可能性，如式（1）和式（2）所示。

（1）

（2）

式中：δ（x）是sigmoid函數(shù)；D表示所有可觀測的四元組；函數(shù)f表示兩實(shí)體間的推理路徑；本文引入線性參數(shù)λ和μ用于調(diào)整回報(bào)修正的強(qiáng)度，且λ， μ∈[0， 1]。

2.2 策略網(wǎng)絡(luò)

在時(shí)序知識圖譜中，每個(gè)實(shí)體通過不同的邊連接多個(gè)實(shí)體，給定一組時(shí)序關(guān)系（et， r， et， τ），對于任一實(shí)體對（es， eo）有P={p1， p2， ...， pm}為es到eo的所有多跳路徑，其中，pm表示實(shí)體對（es， eo）下的一條具體路徑。一般地，，其中“：”表示向量拼接。在小樣本關(guān)系中，推理路徑長度一般不超過6，即k≤6。策略網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。在LSTM中，智能體將歷史行為和觀測序列Ht編碼為連續(xù)的向量ht∈R2d，其中觀測序列，歷史路徑向量表示為ht，LSTM動(dòng)態(tài)更新如式（3）所示。

（3）

式中：as表示起始實(shí)體es的行為；os表示起始時(shí)刻的觀測；at-1=（rt-1， τt-1）表示t-1時(shí)刻的行為向量，主要包含了實(shí)體關(guān)系和時(shí)序的向量表示；ot表示在t時(shí)刻的觀測向量。

基于當(dāng)前觀測ot和當(dāng)前歷史向量ht，網(wǎng)絡(luò)選擇關(guān)系和時(shí)序作為所有行為的輸出。該神經(jīng)網(wǎng)絡(luò)為兩層前饋網(wǎng)絡(luò)，并且每層后接一個(gè)修正非線性層（ReLU）。輸出是一個(gè)行為向量，該向量由來自當(dāng)前實(shí)體上所有可能的行為構(gòu)成，并使用Softmax函數(shù)進(jìn)行規(guī)范化，策略網(wǎng)絡(luò)定義如式（4）所示。

（4）

式中：W1和W2是兩層前饋神經(jīng)網(wǎng)絡(luò)的權(quán)重矩陣；ot和ht是t時(shí)刻的觀測向量和歷史向量。

2.3 元學(xué)習(xí)

如圖4所示，模型在高頻學(xué)習(xí)中捕獲一般任務(wù)下的初始化參數(shù)θ*，當(dāng)接觸到新任務(wù)Tr時(shí)，模型的參數(shù)就會適應(yīng)地調(diào)整為θ*r，即利用以往的知識經(jīng)驗(yàn)來指導(dǎo)新任務(wù)的學(xué)習(xí)[2]。高頻學(xué)習(xí)所捕獲的元信息就是一般關(guān)系的初始化參數(shù)，對于小樣本關(guān)系r1、r2、r3可以快速適應(yīng)得到參數(shù)θ*r1、θ*r2、θ*r3。

在推理任務(wù)Tr上，本文分別使用單任務(wù)和多任務(wù)梯度下降方法更新特定關(guān)系參數(shù)θ*r和θ。具體地，在更新參數(shù)θ*r時(shí)，本文使用單任務(wù)梯度下降方法計(jì)算獲取，如式（5）所示：

（5）

式中：Ds是從屬于Tr的四元組中隨機(jī)采樣得到的訓(xùn)練集；α表示學(xué)習(xí)速率。在學(xué)習(xí)特定關(guān)系參數(shù)θ*r后，本文在數(shù)據(jù)集DQ上評估，根據(jù)評估的梯度來更新策略網(wǎng)絡(luò)。在更新參數(shù)θ時(shí)，本文采用多任務(wù)梯度下降方法計(jì)算獲取，如式（6）所示：

（6）

式中：DQ是從屬于Tr中隨機(jī)采樣得到的訓(xùn)練集；β為學(xué)習(xí)速率。

2.4 訓(xùn)練

時(shí)序知識圖譜推理模型的訓(xùn)練過程是智能體和環(huán)境迭代的過程。其中，環(huán)境用來存放訓(xùn)練過程中所有的向量，包括實(shí)體向量、關(guān)系向量、時(shí)序向量等。如圖5所示，給定一個(gè)缺省四元組（e， r， ？， τ），使用當(dāng)前向量初始化狀態(tài)S1，通過觀測函數(shù)計(jì)算出觀測值O1，智能體獲取到觀測值后，通過策略網(wǎng)絡(luò)計(jì)算出行為A1，并將行為傳給環(huán)境。在這個(gè)過程中，狀態(tài)S1轉(zhuǎn)換到狀態(tài)S2后，智能體將返回這條推理路徑的回報(bào)，重復(fù)執(zhí)行該過程就實(shí)現(xiàn)了環(huán)境和智能體的迭代。最后，通過式（1）和式（2）獲得整條路徑的回報(bào)值。

在對策略網(wǎng)絡(luò)優(yōu)化時(shí)，本文采用梯度上升的訓(xùn)練方法，即與梯度下降相反的訓(xùn)練方法。區(qū)別在于梯度下降是最小化損失，而梯度上升是最大化回報(bào)，如式（7）所示。

（7）

式中：J（θ）表示完整周期下的回報(bào)；A表示行為空間；E表示訓(xùn)練數(shù)據(jù)集的經(jīng)驗(yàn)平均值；RSt， At表示t時(shí)刻狀態(tài)S中行為A的整體回報(bào)。

（8）

（9）

（10）

式（8）～（10）用于更新策略網(wǎng)絡(luò)的近似梯度，對序列上的每個(gè)時(shí)間位置t，使用梯度上升方法更新策略函數(shù)的參數(shù)，a表示訓(xùn)練步長。在訓(xùn)練過程中，通過向模型輸入缺省四元組（e， r， ？， τ），實(shí)現(xiàn)智能體和環(huán)境之間的迭代。在每一輪學(xué)習(xí)中，模型將初始化狀態(tài)向量和每輪學(xué)習(xí)時(shí)長，通過當(dāng)前的狀態(tài)向量來獲得觀測向量，并將前一輪學(xué)習(xí)的歷史路徑向量定義為ht-1，前一輪學(xué)習(xí)中的行為向量定義為at-1。然后，設(shè)置每一輪學(xué)習(xí)長度的上限為max_length，在長度上限max_length內(nèi)，智能體將通過策略網(wǎng)絡(luò)來獲得下一個(gè)行為向量，從而使環(huán)境到達(dá)下一個(gè)狀態(tài)，并通過獎(jiǎng)勵(lì)函數(shù)對路徑推理進(jìn)行獎(jiǎng)勵(lì)。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 數(shù)據(jù)集

實(shí)驗(yàn)過程中，本文選擇兩個(gè)時(shí)間數(shù)據(jù)集對FastRS-Path模型進(jìn)行評估，分別是綜合危機(jī)預(yù)警系統(tǒng)（ICEWS）和全球事件、語言和語氣數(shù)據(jù)庫（GDELT）。其中，ICEWS記錄了包含事件發(fā)生時(shí)間、事件參與實(shí)體等58個(gè)字段；GDELT記錄了包含事件發(fā)生時(shí)間、事件參與實(shí)體等61個(gè)字段。為了對比不同樣本關(guān)系下的模型性能，實(shí)驗(yàn)分別從ICEWS和GDELT數(shù)據(jù)集中選擇常規(guī)關(guān)系數(shù)據(jù)集和小樣本關(guān)系數(shù)據(jù)集。表1中分別給出了常規(guī)關(guān)系和小樣本關(guān)系的統(tǒng)計(jì)數(shù)據(jù)。

對于每一個(gè)數(shù)據(jù)集，本文通過構(gòu)建逆向四元組來表示逆向關(guān)系，將帶有逆向關(guān)系的四元組添加入訓(xùn)練數(shù)據(jù)集，通過逆向關(guān)系來提升推理路徑的性能。在具體評估過程中，本文分別對兩個(gè)原始數(shù)據(jù)集的關(guān)系進(jìn)行排序，通過構(gòu)建top-n關(guān)系的子集作為推理任務(wù)。在測試數(shù)據(jù)集中，本文也同樣生成一些逆向四元組，在測試過程中評估推理任務(wù)。

3.2 基線方法

在模型對比評估時(shí)，本文將以下三種推理方法作為基線，分別是TTransE[11]、TA-TransE[12]和TA-DistMult[9]。在數(shù)據(jù)集ICEWS和GDELT上，通過比較評價(jià)指標(biāo)的數(shù)據(jù)值來評估FastRS-Path模型的性能。實(shí)驗(yàn)選擇Hits@n和MRR作為模型性能的評價(jià)指標(biāo)，數(shù)值越大表明模型的效果越好。其中MRR是一個(gè)國際上通用的對于知識圖譜補(bǔ)全任務(wù)進(jìn)行評價(jià)的機(jī)制；Hits@n則是表示正確實(shí)體出現(xiàn)在前n個(gè)結(jié)果中的比例，即n命中率，一般選擇n=1， 3， 10。對每個(gè)模型，本文計(jì)算驗(yàn)證集采樣中單個(gè)小批量回報(bào)，然后只對回報(bào)最高的模型進(jìn)行訓(xùn)練。

3.3 結(jié)果分析

在數(shù)據(jù)集ICEWS（normal）和GDELT（normal）上，本文選擇常規(guī)數(shù)據(jù)集來測試FastRS-Path模型，使用Hits@1/3/10和MRR作為實(shí)驗(yàn)結(jié)果的評價(jià)指標(biāo)。實(shí)驗(yàn)結(jié)果見表2所列，本文提出的模型在Hits@1和MRR上的指標(biāo)均超過其他模型，效果提升7.4%左右，但仍然存在評價(jià)值低于基線方法的情況，例如：ICEWS（normal）數(shù)據(jù)集上，F(xiàn)astRS-Path模型在Hits@3上的值低于TA-DistMult下的評價(jià)值。實(shí)驗(yàn)結(jié)果中雖然存在部分Hits@n值略低于基線方法的值，但這并不影響該模型的可靠性。因此本文提出的模型在時(shí)序知識圖譜推理任務(wù)中具有一定的可行性，且時(shí)序信息在多跳路徑推理中起著關(guān)鍵作用。

在數(shù)據(jù)集ICEWS（few-shot）和GDELT（few-shot）上，本文選擇小樣本關(guān)系數(shù)據(jù)集來分析FastRS-Path模型，以常規(guī)數(shù)據(jù)集上最優(yōu)的基線方法—TA-DistMult模型作對比，使用Hits@1和MRR作為實(shí)驗(yàn)結(jié)果的評價(jià)指標(biāo)，通過調(diào)整小樣本關(guān)系閾值K來觀測實(shí)驗(yàn)結(jié)果的變化。實(shí)驗(yàn)中本文設(shè)定閾值K的大小分別為K=1， 3， 10， max，實(shí)驗(yàn)結(jié)果見表3所列。在小樣本關(guān)系中，F(xiàn)astRS-Path模型的MMR和Hits@1評價(jià)得分在各個(gè)閾值下均高于TA-DistMult模型。因此，本文提出的模型性能對閾值K不敏感，具有更好的魯棒性，能夠提高小樣本關(guān)系數(shù)據(jù)集中路徑推理的性能。

為了進(jìn)一步分析FastRS-Path在小樣本關(guān)系數(shù)據(jù)集上的性能，本文通過調(diào)整推理路徑的長度來分析該模型的有效性。從圖6中可以觀察到：當(dāng)路徑的長度為3時(shí)，模型的效果顯著優(yōu)于其他路徑長度；當(dāng)路徑長度小于3時(shí)，模型的性能幾乎為0；當(dāng)路徑長度大于3時(shí)，模型的性能逐漸降低。

因此，本文推測：在路徑長度較小時(shí)，實(shí)體之間的時(shí)序信息較少，不能完整地發(fā)揮出時(shí)序在推理任務(wù)中的作用；而當(dāng)路徑較長時(shí)，推理過程變得復(fù)雜，所以性能有所下降，但是仍然優(yōu)于其他模型。

4 結(jié) 語

本文結(jié)合實(shí)體關(guān)系中的時(shí)序信息和小樣本關(guān)系的特點(diǎn)，提出了一種融合時(shí)序信息和小樣本關(guān)系的知識圖譜推理的FastRS-Path模型。該模型把時(shí)序信息作為一個(gè)新的維度引入，將知識圖譜的三元組表示擴(kuò)展到四元組表示，在時(shí)序信息的參與下提高了推理路徑的準(zhǔn)確性。除此之外，為了提高模型在小樣本關(guān)系中的泛化能力，F(xiàn)astRS-Path模型采用元學(xué)習(xí)從高頻關(guān)系中學(xué)習(xí)元參數(shù)來適應(yīng)小樣本關(guān)系。同時(shí)，在FastRS-Path模型中提出新的回報(bào)函數(shù)，利用LSTM從環(huán)境中捕獲觀測結(jié)果，并通過該回報(bào)函數(shù)向環(huán)境輸出關(guān)系向量與時(shí)序向量，減少了重復(fù)路徑的選擇。實(shí)驗(yàn)表明，F(xiàn)astRS-Path模型在時(shí)序知識圖譜推理任務(wù)中具有一定的效果，在小樣本關(guān)系的推理任務(wù)中性能較為顯著。

參考文獻(xiàn)

[1] JI S，PAN S，CAMBRIA E，et al. A survey on knowledge graphs：representation，acquisition，and applications [J]. IEEE transactions on neural networks and learning systems，2021，33（2）：494-514.

[2] LEBLAY J， CHEKOL M W . Deriving validity time in knowledge graph [C]// Companion Proceedings of the Web Conference. Republic and Canton of Geneva，CHE：International World Wide Web Conferences Steering Committee，2018：1771-1776.

[3] LIN Y，LIU Z，SUN M，et al. Learning entity and relation embeddings for knowledge graph completion [C]// Proceedings of the AAAI Conference on Artificial Intelligence. [S.l.]：AAAI，2015.

[4] TRIVEDI R，DAI H，WANG Y，et al. Know-evolve：deep temporal reasoning for dynamic knowledge graphs [C]// Proceedings of the 34th International Conference on Machine Learning. Sydney，NSW，Australia：JMLR.org，2017：3462-3471.

[5] GARCíA-DURáN A，DUMAN?I? S，NIEPERT M. Learning sequence encoders for temporal knowledge graph completion [EB/OL]. （2018-09-10）. https：//doi.org/10.48550/arXiv.1809.03202.

[6] JIN W，ZHANG C，SZEKELY P，et al. Recurrent event network for reasoning over temporal knowledge graphs [EB/OL]. [2023-04-28]. https：//arxiv.org/abs/1904.05530v1.

[7] DAS R，DHULIAWALA S，ZAHEER M，et al. Go for a walk and arrive at the answer：reasoning over paths in knowledge bases using reinforcement learning [EB/OL]. [2023-04-28].http：//arxiv.org/abs/1711.05851.

[8] WANG H，LI S，PAN R，et al. Incorporating graph attention mechanism into knowledge graph reasoning based on deep reinforcement learning [C]// Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing （EMNLP-IJCNLP）. [S.l.]：[s.n.]，2019：2623-2631.

[9] BAI L，YU W，CHEN M，et al. Multi-hop reasoning over paths in temporal knowledge graphs using reinforcement learning [J]. Applied soft computing，2021，103（1）：375-391.

[10] HOSPEDALES T，ANTONIOU A，MICAELLI P，et al. Meta-learning in neural networks：a survey [J]. IEEE transactions on pattern analysis and machine intelligence，2021，44（9）：5149-5169.

[11] ZHU C，CHEN M，F(xiàn)AN C，et al. Learning from history：modeling temporal knowledge graphs with sequential copy-generation networks [C]// Proceedings of the AAAI Conference on Artificial Intelligence. [S.l.]：AAAI，2021：4732-4740.

[12] CHENG S Y，HUANG S H，YIN J. Recommendation model based on knowledge graph and recurrent neural network [J]. Journal of Chinese computer systems，2020，41（8）：1670-1675.

作者簡介：邵亞麗（1991—），女，本科，助教，研究方向?yàn)槿斯ぶ悄堋?/p>

何曉昀（1978—），男，碩士，副教授，研究方向?yàn)槿斯ぶ悄堋C(jī)器視覺。

收稿日期：2023-04-28 修回日期：2023-05-25

基金項(xiàng)目：廣東理工學(xué)院科技創(chuàng)新項(xiàng)目（2022GKJZK007）；廣東理工學(xué)院質(zhì)量工程項(xiàng)目（2020-19）；廣東理工學(xué)院質(zhì)量工程（JXGG202116）；廣東理工學(xué)院科技創(chuàng)新團(tuán)隊(duì)項(xiàng)目（2021GKJTD001）