1.一种语义敏感的知识图谱随机游走采样方法，该方法包含如下步骤：步骤1：谓词语义相似度计算

以知识图谱G为输入，利用知识图谱嵌入模型TransE对知识图谱中的实体与谓词进行学习表示，形成一种将实体与关系嵌入到低维向量空间中的模型M；

接着通过模型M计算G中每一个谓词与其他谓词之间的语义向量距离，再通过归一化得到谓词之间标准的语义相似度值；

步骤2：语义敏感的n跳子图框定

步骤2.1：语义敏感的n跳子图框定的初始化用户给定一个查询图，包含三类信息：已知实体e0，谓词p，目标实体类型t；

根据查询图中谓词p选取该谓词与知识图谱G中其他谓词的语义相似度，维持一个关于谓词p的语义映射表H，作为后续知识图谱G中实体与实体间边的权重；

目标是根据已知实体e0作为子图框定的起始点，对其n跳领域进行搜索，保留语义相似度大于阈值τ的实体及相关谓词，作为随机游走采样的总体空间；

步骤2.2：语义敏感的n跳子图框定的过程

创建两个集合C1和C2，分别用来保存n跳子图的实体及两个实体间相连的边；

接着将实体e0作为根结点，通过广度优先搜索算法在知识图谱G中往外遍历；

循环遍历完e0的邻居实体e，并记录当前广度优先搜索的层数layer；

若邻居实体e的类型为t，则直接将该实体添加于集合C1中，将连接到邻居实体e的边添加于集合C2中；若邻居实体e的类型符合目标实体类型t，则利用路径选择收益模型计算到邻居实体e的代价pss；

若代价pss大于阈值τ且从邻居实体e出发往后遍历n-layer层能找到实体类型符合目标实体类型t的实体，则将该实体添加于集合C1中，将连接到实体e的边添加于集合C2中，新建候选集合CSet，将符合条件的实体添加到候选集合CSet中作为下次迭代的结点；

不断迭代直到当前遍历层数layer大于用户限定跳数n结束，最终框定出n跳子图G′；

步骤3：转移矩阵的设计

针对步骤2框定出的n跳子图G′，根据语义相似性来设计该子图的转移矩阵；

步骤3.1：基于邻边语义相似性的归一化

对于子图中的每一个实体，考虑该实体与其周围相连实体的谓词分布，据此进行基于邻边语义相似性的归一化；

假设当前实体ei周围相连实体为N(ei)，当前实体ei与周围相连实体ej的边为eij，其中ej∈N(ei)，通过邻边语义相似性归一化公式计算实体间的转移概率pij，从而得到转移矩阵，其中转移矩阵的元素即为转移概率pij；

步骤3.2：转移概率的衰减

为了消除无效点对转移概率的影响，给限定层数m之外的边进行转移概率衰减；用d表示已知实体e0与当前实体ei的距离，当d＞m时，进行转移概率的衰减，当d≤m时，转移概率不变；

步骤4：随机游走达到马尔科夫稳态

根据步骤3生成的转移矩阵，在子图G′上进行随机游走，获得一个稳定的概率分布π，对子图G′上任意一实体都有其对应的稳态访问概率πi，且满足步骤5：基于稳态概率分布的采样

筛选出子图G′中所有类型为t的实体，得到符合类型的实体集合Et，其中实体分别为对应稳态概率分别为 对集合Et中m个实体的稳态概率进行归一化；

用户给定样本容量k，创建结果集R存放样本点，循环遍历集合Et，假设当前遍历到的结点为 其稳态访问概率为接着针对每一个遍历到的结点生成一个随机小数r，0≤r≤1；若 则将该结点存放于结果集R中，若 不做处理；

最终循环遍历直到结果集中样本点数量达到用户指定的样本容量k时结束。

2.根据权利要求1所述的一种语义敏感的知识图谱随机游走采样方法，其特征在于：其中路径选择收益模型计算代价pss的公式为：其中，n为从已知实体e0到遍历到的实体的路径长度，wi为从已知实体e0到遍历到的实体点的所有边的权重，从语义映射表H中获得； wi为已知实体e0到遍历到的实体路径上的权重的乘积。

3.根据权利要求1所述的一种语义敏感的知识图谱随机游走采样方法，其特征在于：其中邻边语义相似性归一化公式为：

pij＝Z·M(eij)

其中Z为归一化常数，M(eij)为边eij在语义映射表H中的映射值。

4.根据权利要求1所述的一种语义敏感的知识图谱随机游走采样方法，其特征在于：对集合Et中m个实体的稳态概率按如下公式进行归一化其中Z为归一化常数。