1.一种基于任务相关网络的小样本汽车产业链知识图谱补全方法，其特征包括如下步骤：

步骤1)针对需要补全的汽车产业链知识图谱，从中提取出需要补全小样本关系，来构建小样本任务，每一种小样本关系均包含满足其关系的头尾实体对，将所有的头尾实体对分成两个部分，组成参考集和查询集；所有包含非小样本关系的三元组作为背景知识图谱；

其中，包含小样本关系的头尾实体对远少于包含非小样本关系的头尾实体对，使用预训练方法获得三元组实体和关系的初始嵌入向量；

步骤2)对于每一种小样本关系的参考集和查询集中的所有实体，从背景知识图谱中分别提取出其一跳邻居集合，挖掘每个实体一跳邻居的任务相关性，获得任务实体嵌入向量；

步骤3)对于每一小样本关系的参考集和查询集中的所有实体对，用一个自注意力机制建模头尾实体嵌入向量的交互作用，获取头尾实体的注意力特征向量，并通过卷积将两个向量拼接起来，获取头尾实体对的嵌入向量；

步骤4)对于每一小样本关系查询集中的所有实体对，基于翻译机制，根据任务关系的上下文，即头尾实体对，对任务关系进行编码，获得上下文关系表征；

步骤5)对于每一小样本关系，将每一个查询实体对对应的关系嵌入向量和实体对嵌入向量输入给自定义的损失函数计算损失值，通过梯度下降的方式来训练初始模型；

步骤6)对于一个新的小样本关系，遍历知识图谱中所有的残缺三元组，将知识图谱中的所有头实体或尾实体作为候选实体，使用训练好的模型进行打分，选取分数高的实体来补全残缺部分。

2.根据权利要求1所述的基于任务相关网络的小样本汽车产业链知识图谱补全方法，其特征在于，步骤1)中，一个包含N个汽车整车制造商、汽车零部件制造商、汽车相关产业制造商和汽车服务贸易商的汽车行业供应链由一个汽车行业供应链知识图谱G表示，G由M个三元组(h，r，t)组成，h∈ε，r∈R，t∈ε，ε＝{e1，...，eN}表示汽车整车制造供应商、汽车零部件制造商、汽车相关产业制造商分销商和汽车服务贸易商组成的企业实体集合，R＝{r1，...，rT}表示实体之间的关系集合，h，r，t分别表示汽车行业供应链知识图谱中的头实体，关系和尾实体，一个小样本任务对应的小样本关系为rs，使用TransE算法获取汽车行业供应链知识图谱G的初始实体嵌入向量集合E＝{l1，...，lN}，对于汽车行业供应链知识图谱G中的小样本任务关系rs，通过随机的从包含该关系rs的所有正向企业实体对中抽取K个企业实体对来获得参考集Sr＝{(hk，tk)|(hk，rs，tk)∈G}，剩余的所有正向企业实体对作为正向查询实体对集合Qr＝{(hm，tm)|(hm，rs，tm)∈G\(hk，rs，tk)}；同时，通过随机地从实体集合中抽取实体 来构建负向实体对集合 参考集Sr和查询集Qr，中的所有企业实体称作任务企业实体。

3.根据权利要求1所述的基于任务相关网络的小样本汽车产业链知识图谱补全方法，其特征在于，步骤2)中，任意选取一个任务企业实体x1，将其任务企业实体嵌入向量和它在汽车行业供应链知识图谱中的一跳邻居企业实体嵌入向量放在一起作为一个序列X＝(x1，x2，...，xmax)，其中x1表示任务企业实体，输入给L层的Transformer编码器来计算自注意力嵌入向量序列其中， 即为X序列， 是经过l层Transformer Blocks处理后的隐藏状

态；在输出序列 中，任务企业实体对应位置的向量即 是包含一跳邻

居任务相关性信息的实体嵌入向量cnbr，遍历所有任务企业实体，计算所有任务企业实体的包含一跳邻居任务相关性信息的企业实体嵌入向量，任意选取一个任务企业实体初始嵌入向量l1，计算增强任务企业实体嵌入向量l′1＝σ(W1l1+W2cnbr)          (2)

d×d

其中，σ(.)表示Relu激活函数；W1，W2∈R 是可训练参数；遍历所有任务企业实体，计算所有的增强任务企业实体嵌入向量。

4.根据权利要求1所述的基于任务相关网络的小样本汽车产业链知识图谱补全方法，其特征在于，步骤3)中，任意选取一对任务企业实体x1和x2，把它们对应的增强任务企业实体嵌入向量看作一个序列(l′1，l′2)，计算二者包含位置信息的企业实体嵌入向量其中 代表企业实体位置编码；遍历所有任务企业实体对，计算所有任务企业实体的包含位置信息的实体嵌入向量，任意选取一对任务企业实体x1和x2，把对应的 和 输入给l层Transformer Blocks来计算增强企业实体对向量序列遍历所有任务企业实体对，计算所有的增强任务企业实体对向量序列，任意选取一对增强任务企业实体对向量序列 计算该企业实体对嵌入向量其中， 表示合并操作，把 和 拼接起来。

5.根据权利要求1所述的基于任务相关网络的小样本汽车产业链知识图谱补全方法，其特征在于，步骤4)中，遍历所有任务企业实体对，计算所有的任务企业实体对嵌入向量；

向量p由q′r和s′rk组成，其中查询企业实体对的嵌入向量为q′r，参考集企业实体对嵌入向量为s′rk，计算每个查询企业实体对qr和参考集企业实体对srk间的语义相似度δ(qr，srk)＝q′r·s′rk         (6)

即对q′r和s′rk做一个点积操作，其中qr∈Qr，srk∈Sr，任意选取一对查询实体对qr计算任务相关的关系嵌入向量其中

表示注意力得分，遍历查询实体对集合，对每条查询实体对计算任务相关的关系嵌入向量，任意选取一对查询企业实体对qr，计算其和参考集企业实体对Sr的语义相似度遍历所有查询企业实体对，计算所有查询企业实体对与参考集企业实体对的语义相似度。

6.根据权利要求1所述的基于任务相关网络的小样本汽车产业链知识图谱补全方法，其特征在于，步骤5)中，计算损失值：其中[x]+＝max(0，x)是一个标准hinge损失函数，γ是期望的正向查询与负向的得分差距，利用随机梯度下降方法更新模型参数；重复步骤4到步骤11，当L小于指定的最小损失值后，结束计算。

7.根据权利要求1所述的基于任务相关网络的小样本汽车产业链知识图谱补全方法，其特征在于，步骤6)中，针对具有关系rs的缺失汽车行业供应链知识图谱中的三元组(h，rs，？)，其中？表示缺失的尾实体，遍历知识图谱中的企业实体集合，计算 分数，其中tj表示企业实体集合中的任意企业实体，然后将分数排序，取分数最高实体来补全缺失三元组，遍历汽车行业供应链知识图谱中所有的残缺三元组，重复执行上述补全操作，得到补全完整的汽车行业供应链知识图谱。