技术摘要：
本申请涉及一种结合本体概念和实例的网络空间知识图谱推理方法和装置。所述方法包括：将网络空间的本体概念映射至本体图；从节点对应的语料库提取实例层的实体，根据本体边和实体，构建第二三元组；构建用于网络空间知识图谱推理的卷积神经网络模型，根据第一三元组和  全部
背景技术：
网络空间已经成为与陆、海、空和太空并列的第五空间，无论是国家安全和利益， 还是企业内部安全都日益与网络空间息息相关。 传统的翻译类知识图谱表达模型尽管利用向量计算解决了大规模知识图谱推理 的时间性能问题，但是，这类模型在推理预测中表现的准确率欠佳，比如TransE算法在典型 几种知识图谱上的Hits@10(正确答案排在前10比例)均低于50％，网络空间防御策略必须 具备较高的准确率，因此，传统的知识图谱推理模型不能够较好地适用于网络空间知识推 理。 另一方面，网络空间知识图谱为领域知识图谱，采用“自顶向下”式的构建方法；同 时，网络空间防御策略的推理必须具备高准确性，而传统知识图谱表示模型在推理预测中 表现的准确率欠佳。
技术实现要素：
基于此，有必要针对上述技术问题，提供一种能够解决传统知识图谱表示模型在 推理预测中准确率不高问题的结合本体概念和实例的网络空间知识图谱推理方法和装置。 一种结合本体概念和实例的网络空间知识图谱推理方法，所述方法包括： 将网络空间的本体概念映射至本体图；所述本体图由第一三元组表示，所述第一 三元组由所述本体概念以及本体概念之间表示关系的本体边组成； 从所述节点对应的语料库提取实例层的实体，根据所述本体边和所述实体，构建 第二三元组；所述第二三元组包括由实体以及连接实体的所述本体边组成； 构建用于网络空间知识图谱推理的卷积神经网络模型，根据所述第一三元组和所 述第二三元组，确定所述卷积神经网络模型的统一能量函数； 根据所述统一能量函数，构建用于训练所述卷积神经网络模型的得分函数； 根据所述得分函数的最小化目标，反向训练得到训练好的卷积神经网络模型； 根据训练好的卷积神经网络模型，进行网络空间知识图谱推理。 在其中一个实施例中，还包括：采用预先设置的损失函数训练预先设置的推理模 型，根据推理模型确定所述第二三元组的关系是否成立。 在其中一个实施例中，还包括：获取预先设置的损失函数为： 其中，γ表示正确三元组和错误三元组之间的最小距离，S表示训练样本集，S′表 示错误样本集，d(h l,t)表示正确三元组中向量h l,t之间的向量距离，d′(h′ l,t′)表示 4 CN 111597352 A 说　明　书 2/9 页 错误三元组中向量h′ l,t′的向量距离，[·] 表示取正数部分；根据所述损失函数，采用梯 度下降方式训练预先设置的推理模型。 在其中一个实施例中，还包括：根据所述第一三元组和所述第二三元组，确定所述 卷积神经网络模型的统一能量函数为： E＝EI EO 其中，E表示统一能量函数，EI表示实例层对应的实例能量函数，EO表示本体概念 对应的本体能量函数； 所述实例能量函数表示为： EI＝‖hI r-tI‖ 其中，hI表示头实体在实例层的向量表示，tI表示尾实体在实例层的向量表示，r表 示所述本体边对应的关系； 所述本体能量函数表示为： EO＝EOO EIO EOI 其中，EOO表示本体概念中头实体和尾实体的向量表示能量函数，EIO表示头实体在 实例层的向量表示与尾实体在本体概念的向量表示间的能量函数，EOI表示尾实体在实例层 的向量表示与头实体在本体概念的向量表示间的能量函数； 其中： EOO＝‖hO r-tO‖ EIO＝‖hI r-tO‖ EOI＝‖hO r-tI‖ 其中，hO表示头实体在本体概念的向量表示，tO表示尾实体在本体概念的向量表 示。 在其中一个实施例中，还包括：构建用于网络空间知识图谱推理的卷积神经网络 模型；所述卷积神经网络模型依次包括：第一卷积层、第一池化层、第二卷积层、第二池化层 以及输出层。 在其中一个实施例中，还包括：所述第一卷积层和所述第二卷积层的结构为： 其中， 第l个卷积层的输出， 表示l个卷积层的输入窗口处理得到的输入 向量， 表示偏置W(l)表示窗口处理后输入向量的卷积核，σ表示非线性激活函数； 所述第一池化层为最大池化层，所述第二池化层为平均池化层。 在其中一个实施例中，还包括：根据所述统一能量函数，构建用于训练所述卷积神 经网络模型的得分函数为： 其中，E′表示错误的三元组对应的能量函数。 一种结合本体概念和实例的网络空间知识图谱推理装置，所述装置包括： 5 CN 111597352 A 说　明　书 3/9 页 联合嵌入模块，用于将网络空间的本体概念映射至本体图；所述本体图由第一三 元组表示，所述第一三元组由所述本体概念以及本体概念之间表示关系的本体边组成；从 所述节点对应的语料库提取实例层的实体，根据所述本体边和所述实体，构建第二三元组； 所述第二三元组包括由实体以及连接实体的所述本体边组成； 推理模块，用于构建用于网络空间知识图谱推理的卷积神经网络模型，根据所述 第一三元组和所述第二三元组，确定所述卷积神经网络模型的统一能量函数；根据所述统 一能量函数，构建用于训练所述卷积神经网络模型的得分函数；根据所述得分函数的最小 化目标，反向训练得到训练好的卷积神经网络模型；根据训练好的卷积神经网络模型，进行 网络空间知识图谱推理。 一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理 器执行所述计算机程序时实现以下步骤： 将网络空间的本体概念映射至本体图；所述本体图由第一三元组表示，所述第一 三元组由所述本体概念以及本体概念之间表示关系的本体边组成； 从所述节点对应的语料库提取实例层的实体，根据所述本体边和所述实体，构建 第二三元组；所述第二三元组包括由实体以及连接实体的所述本体边组成； 构建用于网络空间知识图谱推理的卷积神经网络模型，根据所述第一三元组和所 述第二三元组，确定所述卷积神经网络模型的统一能量函数； 根据所述统一能量函数，构建用于训练所述卷积神经网络模型的得分函数； 根据所述得分函数的最小化目标，反向训练得到训练好的卷积神经网络模型； 根据训练好的卷积神经网络模型，进行网络空间知识图谱推理。 一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执 行时实现以下步骤： 将网络空间的本体概念映射至本体图；所述本体图由第一三元组表示，所述第一 三元组由所述本体概念以及本体概念之间表示关系的本体边组成； 从所述节点对应的语料库提取实例层的实体，根据所述本体边和所述实体，构建 第二三元组；所述第二三元组包括由实体以及连接实体的所述本体边组成； 构建用于网络空间知识图谱推理的卷积神经网络模型，根据所述第一三元组和所 述第二三元组，确定所述卷积神经网络模型的统一能量函数； 根据所述统一能量函数，构建用于训练所述卷积神经网络模型的得分函数； 根据所述得分函数的最小化目标，反向训练得到训练好的卷积神经网络模型； 根据训练好的卷积神经网络模型，进行网络空间知识图谱推理。 上述结合本体概念和实例的网络空间知识图谱推理方法和装置，通过将本体概念 和实例层在同一表示空间中进行联合嵌入，然后实现本体层与实例层的训练，由于训练数 据包含本体概念，因此，推测更加准确。 附图说明 图1为一个实施例中结合本体概念和实例的网络空间知识图谱推理方法的流程示 意图； 图2为一个实施例中结合本体概念和实例的网络空间知识图谱推理装置的结构框 6 CN 111597352 A 说　明　书 4/9 页 图； 图3为一个实施例中计算机设备的内部结构图。