1.一种面向智能家居的注意力扩散知识图谱推理方法，其特征在于，包括以下步骤：S1.从公开的WN18RR知识图谱数据集，提取其中的实体、关系及三元组数据；知识图谱中的节点包括智能设备、环境参数以及设备行为；边包括检测、触发、伴随以及依赖；

S2.设定推理过程的传播层数 ，并初始化头实体集合，接下来的推理过程将在这 层中，重复步骤S3至S6，逐步构造目标实体的特征表示；

S3.依据第层头实体，查找与头实体相连的所有关系及相邻目标实体的信息，得到第层的相关三元组集合；

S4.对于第层的相关三元组集合中的每一个具体三元组，通过多头注意力机制捕获知识图谱中的实体特征，生成基于头实体和查询关系的消息传递；具体步骤包括：S41.将查询关系特征表示为 、当前层三元组关系的特征表示为 ，分别与当前扩散的层数进行拼接，获取基于扩散层数的相关性信息，并分别经过线性映射层生成多头注意力中的查询Q、键K；当前传播到第层的头实体 的特征表示 经过线性映射层得到多头注意力中的值V，公式表示如下：,

,

,

其中， ，分别表示查询关系、当前层三元组关系、当前层头实体的特征表示，根据实体和关系的索引调用嵌入层随机编码生成，并随着模型学习逐渐修正；

代表扩散层数的信息， 分别表示查询Q、键K以及值V进行线性映射的变换矩阵，n表示多头的数量， 分别表示查询Q、键K以及值V进行线性映射的偏移量；表示对向量沿第二维度进行拼接操作；

S42.注意力计算：对查询Q以及键K的转置进行计算，得到注意力权重矩阵 ，公式表示如下：，

其中， 分别表示查询Q、键K的转置；表示 激活函数； 表示基于丢弃法的正则化技术；表示键K的维度；

S43.使用注意力权重矩阵 对值V进行加权求和：将所有节点i的注意力权重与值向量 进行逐元素相乘并求和，得到节点j的加权值向量 ，最终将n个节点的加权值向量进行拼接，得到多头注意力机制的输出结果 ，公式表示如下：，

，

其中， 表示从 中取出的第i行第j列的值， ， 代表行数， 代表列数，用来遍历 ；

S44.所述多头注意力机制的输出结果经过线性映射层进行处理，得到初始的消息内容，公式表示如下：，

其中， 表示第一线性映射的变换矩阵； 表示可训练的第一偏移量；

表示当前三元组产生的消息内容；

S45.将多头注意力机制的输出结果和注意力权重矩阵 拼接，优化消息传递中相关性 的准确性，拼接结果经过线性映射层，得到当前层局部消息相关性 ，公式表示如下：，

其中， 表示权重矩阵展开操作； 表示第二线性映射的变换矩阵； 表示可训练的第二偏移量； 表示局部的消息相关性S46.设计存储上一层相关性的变量 进行连接，基于历史相关性再次优化消息传递中相关性 的准确性，通过归一化为一个小数来表示当前消息的相关性，经过线性映射层和激活函数进行处理，得到最终的相关性权重 ，公式表示如下：，

其中， 表示上一层的局部消息相关性， 表示当前层的消息相关性，初始化为0向量； 表示第二线性映射的变换矩阵； 表示可训练的第二偏移量；表示 激活函数； 表示归一化操作； 的小数，表示最终的相关性权重；

S47.将最终的相关性权重 与初始的消息内容 逐元素相乘，得到基于当前三元组的消息传递 ，公式表示如下：其中， 表示逐元素相乘操作， 表示基于当前三元组的消息传递；

S5.基于多头注意力模型捕获的消息传递，实现目标实体的消息传递与聚合，并最终生成目标实体的特征表示；

S6.基于语义相关性度量对节点间的邻居关系进行筛选，选择top‑k个目标节点，扩散传播到下一层；跳转执行步骤S3；

S7.经过 层消息扩散后，将最终目标实体的特征表示经过线性映射，得到推理结果。

2.根据权利要求1所述的面向智能家居的注意力扩散知识图谱推理方法，其特征在于，步骤S1具体包括：S11.从WN18RR知识图谱数据集读取实体集合 ，关系集合 ；从WN18RR数据集读取三元组的集合 ，其中 ；其中， 表示该数据集的正样本，代表头实体，代表尾实体， 都属于实体集合 ，r表示从头实体 指向尾实体 的连接；

S12.生成负样本：对每组正样本三元组生成反向三元组，反向三元组的表达式为：，其中， 表示知识图谱关系的总数量， 将超出关系的总数量，破坏了原来正确的三元组，以增强模型的区分能力；

S13.构建知识图谱 ，表达式为： ，其中，指实体集合， 指关系集合，指所有的正样本和负样本。

3.根据权利要求2所述的面向智能家居的注意力扩散知识图谱推理方法，其特征在于，步骤S2具体包括：S21.设定推理过程的传播层数为 ，设第层开始，=1，重复步骤S3至S6，直到 结束；

S22.根据查询信息 推理目标实体，其中， 表示查询三元组的头实体，表示查询三元组的关系，将查询三元组的头实体初始化为第1层的头实体集合 ，表示为： 。

4.根据权利要求3所述的面向智能家居的注意力扩散知识图谱推理方法，其特征在于，步骤S3具体包括：根据第层的头实体，从已知的知识图谱 中查询目标实体并对目标实体去重，得到第层的三元组信息，公式表示如下：，

，

其中， 指从第1层到 层已经被选择过的头实体， 指从知识图谱 中查询的目标实体； 表示经过去重后第层的三元组信息， 表示已知的当前层头实体， 表示经过查询去重后的目标实体，表示连接头实体与目标实体间的关系边。

5.根据权利要求4所述的面向智能家居的注意力扩散知识图谱推理方法，其特征在于，步骤S5具体包括：S51.对于第层的所有三元组，重复步骤S4，得到所有三元组的消息传递，将所有消息传递进行拼接，得到所有目标实体消息传递 ，公式表示为：，

表示第 层三元组数量；

S52.对于指向同一目标实体的消息传递进行聚合，经过一个线性映射，得到目标实体的特征表示 ，公式表示如下：，

其中， 为消息聚合操作，表示对同一目标实体的消息传递进行求和操作；

表示第三线性映射的变换矩阵， 表示可训练的第三偏移量； 表示tanh激活函数； 表示目标实体的特征表示。

6.根据权利要求5所述的面向智能家居的注意力扩散知识图谱推理方法，其特征在于，步骤S6基于语义信息的扩散过程具体包括：通过线性映射层捕获相关性信息，然后经过一个 激活函数得到每一个目标实体对应的相关性占比，公式表示如下：，

其中，表示线性映射层， 表示当前第层的目标实体集合， ；根据语义信息的相关性占比从大到小选择前top‑k个目标实体保留；如果 ，将被选择的目标实体，选择的目标实体的特征表示 传到下一层，并跳转执行步骤S2；否则执行最后的步骤S6。

7.根据权利要求6所述的面向智能家居的注意力扩散知识图谱推理方法，其特征在于，步骤S7具体包括：将经过 层消息扩散过程的目标实体的特征表示，通过线性映射获得得分数值，根据得分高低预测目标实体，得分最高的目标实体为推理结果，公式表示如下：，

其中， 表示经过 层消息扩散过程的目标实体的特征表示；

表示第四线性映射的变换矩阵； 表示可训练的第四偏移量；

表示得分数值。