1.一种基于少样本关系预测模型的可解释方法，其特征在于，包括：对少样本关系预测模型的可解释性进行评估，得到可解释评估结果；根据可解释评估结果改进模型；获取来自用户的问题，将该问题输入改进好的少样本关系预测模型中，得到该问题的可信预测结果；

对少样本关系预测模型的可解释性进行评估的过程包括：

S1：定义模型的评价指标，包括第一评价指标Hit@n和第二评价指标MRR；

S2：将不同数据量和不同数据内容的数据输入到训练好的少样本关系预测模型和对比模型中，得到关系预测结果；根据关系预测结果计算少样本关系预测模型和对比模型的评价指标；

S3：输入相同数据，改变少样本关系预测模型中的卷积神经网络的超参数，得到关系预测结果；根据关系预测结果计算少样本关系预测模型的评价指标；卷积神经网络的超参数包括卷积核大小、卷积核数量、激活函数、池化策略和正则化；

S4：根据评价指标分析不同数据量、不同数据内容、不同超参数对少样本关系预测模型的影响，得到模型的可解释评估结果。

2.根据权利要求1所述的一种基于少样本关系预测模型的可解释方法，其特征在于，第一评价指标Hit@n的计算公式为：其中，i表示正确尾实体的得分排序在前n位的查询三元组数量，|Q|表示查询集中三元组数量。

3.根据权利要求1所述的一种基于少样本关系预测模型的可解释方法，其特征在于，第二评价指标MRR的计算公式为：其中，N表示查询三元组的正确尾实体个数，ki表示第i个查询三元组的正确尾实体的得分在候选实体列表中的排名。

4.根据权利要求1所述的一种基于少样本关系预测模型的可解释方法，其特征在于，对比模型包括GMatchin模型、MetaR模型和FAAN模型。

5.根据权利要求1所述的一种基于少样本关系预测模型的可解释方法，其特征在于，少样本关系预测模型为基于邻居聚合的少样本关系预测模型；邻居聚合的少样本关系预测模型进行关系预测包括获取原始数据；根据原始数据构建初始知识图谱和待预测三元组；采用训练好的邻居编码器对待预测三元组进行处理，得到关系正确的三元组；根据关系正确的三元组补全初始知识图谱，得到完整的知识图谱；其中，邻居编码器的训练过程包括：获取正确的知识图谱；对知识图谱进行预处理，得到知识图谱的嵌入表示；

在知识图谱中随机抽取K个三元组并将K个三元组作为支持集，将剩下的三元组作为正样本查询集；其中，三元组是包含头实体、关系实体和尾实体的管理单元；

对正样本查询集中三元组的尾实体进行替换，得到负样本查询集；

对知识图谱中所有实体的邻居实体进行抽样，得到每个实体的所有邻居实体；

采用邻居编码器对每个实体的邻居实体进行特征提取，得到每个实体的邻居特征；具体的：采用不同尺寸的卷积核对邻居实体进行特征提取，得到不同尺度的特征映射；将不同尺度的特征映射进行最大池化操作，得到每种特征映射的最大池化结果；将每种特征映射的最大池化结果进行拼接，并将拼接后的最大池化结果输入到全连接层，得到邻居特征；

将每个实体的邻居特征和对应实体进行融合，得到更新后的实体；

将支持集与查询集中三元组的头实体和尾实体进行拼接，得到支持实体对和查询实体对；其中，查询集包括正样本查询集和负样本查询集；

根据支持实体对和查询实体对计算支持实体对与查询实体对的相似度；

根据支持实体对与正样本查询实体对的相似度和支持实体对与负样本查询实体对的相似度计算损失函数，根据损失函数调整邻居编码器参数，当损失函数最小时，得到训练好的邻居编码器。

6.根据权利要求1所述的一种基于少样本关系预测模型的可解释方法，其特征在于，不同数据内容包括实体、邻居信息以及实体和邻居信息的混合数据。