1.一种基于知识图谱补全的问答方法，其特征在于：包括以下步骤：S1：将输入的自然语言问题Q划分为词或短语；

S2：利用字向量模型BERT将词表征为向量，得到矩阵作为模型输入；

S3：利用实体识别技术识别Q中的实体equestion,获取候选实体集{eKGs}；

S4：查询eKGs的类别c，用c替换Q中的实体equestion，标记为Qc；

S5：构建声明式查询cypher，获取候选三元组集{(ei,rij,ej)}，从而获取到候选关系集{rij}；

S6：基于Qc和rij的关系链接：计算Qc和rij的余弦相似度，获取其语义相似度；

S7：在KGs中，如果eKGs和rij之间缺少关系，则执行步骤S8，否则执行步骤S11；

S8：学习实体eKGs和eKGs邻域内实体的新的向量表示；

S9：估计中心实体邻域内实体的重要性；

S10：基于现存的相关的三元组执行关系预测；

S11：基于实体和关系的知识图推理，获得答案A。

2.根据权利要求1所述的基于知识图谱补全的问答方法，其特征在于：在所述步骤S1中，通过HanLP与Stanford parser中的CRF句法分析器与最大熵依存句法分析器将Q划分为词或短语。

3.根据权利要求1所述的基于知识图谱补全的问答方法，其特征在于：在步骤S3中，具体包括以下步骤：S31：利用双向长短期记忆网络Bi‑LSTM模型对问句中每个单词是否为实体进行预测；

S32：采用前、后向两个长短期记忆网络LSTM单元对输入序列(x1,x2,...,xt‑1,xt)进行处理，输出为两个LSTM输出向量的拼接 其中， 为前向序列的输出， 为后向序列的输出；

S33：Bi‑LSTM层的输出被送入sigmoid层进行处理，即输出层的输出向量为y＝(y1,y2,...,yn)，其中n为输入序列的长度，输出向量长度与输入序列是保持一致的，yi对应输入Q中第i个单词的标注信息，如果为“1”则表示实体，反之则不是；

S34：使用均方误差作为损失函数，即

其中，ω为权重，b为偏差，yi为模型的预测值，zi为目标值，λ为控制正规化的超参数，为L2正规化。

4.根据权利要求1所述的基于知识图谱补全的问答方法，其特征在于：步骤S4中，具体包括：利用潜在狄利克雷主题模型来概念化Q中的实体，通过结合主题模型潜在狄利克雷分配和一个大规模概率KGs，捕获单词之间的语义关系，开发一个基于语料库的上下文相关概念化框架。

5.根据权利要求1所述的基于知识图谱补全的问答方法，其特征在于：所述步骤S5中，在识别到Q中实体后，根据实体名称在KGs中进行声明式查询cypher，查询到相关三元组{(ei,rij,ej)}，从而获取到候选关系集{rij}。

6.根据权利要求1所述的基于知识图谱补全的问答方法，其特征在于：所述步骤S6中，在关系链接任务中引入卷积神经网络CNNs模型，提取问句中关于关系的语义信息，对候选关系用CNNs进行处理，将得到的问句关系向量和知识图谱关系向量进行相似度匹配，通过计算余弦相似度来获取其语义相似度，即其中，θ是向量Qc和向量rij之间的夹角， 是Qc语义向量的第i个元素，rij是候选关系的第j个元素。

7.根据权利要求1所述的基于知识图谱补全的问答方法，其特征在于：所述步骤S8中，通过基于注意力的图嵌入AGE模型从实体的n跳邻域内学习实体的新的向量表示；

实体ei的一个三元组(ei,rij,ej)的向量表示为： 其中，分别为实体ei、关系rij和实体ej的向量表示，ω1表示线性转换矩阵；

学习每个相关三元组的绝对注意力值 计算如下：其中，Leaky Re LU是一种非线性激活函数，ω2表示线性变换矩阵；

绝对注意力值 通过softmax函数对实体ei邻域内的所有实体进行归一化相对注意值 计算如下：其中 表示实体ei的邻域， 表示连接实体ei和实体em的关系集；

实体ei的新的向量表示如下所示：

其中 表示连接实体ei和实体ej的关系集；

实体ei的最终向量表示为：

8.根据权利要求1所述的基于知识图谱补全的问答方法，其特征在于：步骤S9中，利用实体重要性估计模型对中心实体n跳邻域内实体的重要性进行估计，所述实体重要性估计模型包括评分网络层SNL、多个得分聚合层SAL和中心度调整层CAL；

首先，SNL利用输入实体的特征来获得初始估计分数，SNL计算实体ei的初始得分为:其中， 为实体ei的新的向量表示；

然后，每个SAL包含一定数量的分数聚合头，每个分数聚合头独立执行分数聚合和注意力计算；在第一个SAL的每个分数聚合头中，从SNL接收实体重要性评分的初始估计ι前一个SAL的输出用作下一个SAL的输入，第ι层的SAL包含N 个分数聚合头，ι独立产生N个实体重要度估计

ι

然后，在N个分数估计上执行一个最大池函数；

重要性分数的估计如下：

重要性分数的聚合 表示为：

其中，Ni表示实体的n跳邻域实体， 为第ι个SAL的第κ个分数聚合头中ei和ej之间的相对注意值参数；

在第ι个SAL的第κ个分数聚合头中，相对注意值 定义如下：其中，Leaky Re LU为非线性激活函数，ω2为权向量， 为实体ei与实体ej之间关系的向量表示， 为实体ei与实体ek关系的向量表示；

对最后一层的第κ个分数聚合头应用一种缩放和移动中心性，表示为：其中， 为实体ei的初始中心性；

基于最终SAL的每个分数聚合头，对最终SAL输出的中心性调整进行平均操作，采用非线性方法Leaky Re LU，计算最终的估计 如下：

9.根据权利要求1所述的基于知识图谱补全的问答方法，其特征在于：步骤S10中，具体包括：关系合成：通过在n‑hop邻域之间引入一条辅助边，作为辅助关系，所述辅助关系的向量表示为所有现存的相关关系的向量表示之和。

10.根据权利要求1所述的基于知识图谱补全的问答方法，其特征在于：步骤S11具体包括：基于实体识别技术，对于问题中的实体，在KGs中获得候选实体；

对于问题所包含的关系，通过关系链接技术和关系预测技术得到候选关系；

基于候选实体和候选关系查询KGs，获得答案A。