基于关系上下文和关系双向旋转的知识图谱嵌入方法研究
这是一篇关于知识图谱嵌入,链接预测,关系上下文,关系模式,映射关系的论文, 主要内容为知识图谱在大数据和人工智能领域引起了工业界和学术界的广泛关注,并且衍生了许多基于知识图谱的智能应用,如:推荐系统、智能问答、语义搜索等。但是由于知识图谱的不完整性,这些应用受到了限制。为了自动的补全知识图谱,基于知识图谱嵌入的补全方法便得到了广泛研究。因此,如何高效、准确地补全知识图谱成为嵌入模型的首要任务。知识图谱嵌入模型的性能很大程度上体现在其对关系模式和映射关系的建模能力。然而,在现有的知识图谱嵌入学习中,知识图谱的结构信息未被充分利用、三元组的语义信息难以学习、嵌入模型不具有充分的关系建模能力等问题普遍存在。针对以上问题,本文做了以下工作:(1)针对目前大多数嵌入方法未能充分利用三元组结构信息,忽略了关系作为链接头尾实体的语义信息的问题,提出了一种基于关系上下文的知识图谱嵌入模型Cont E。Cont E中关系的前向和后向影响映射为两个不同的嵌入向量,用于表示关系的上下文信息。然后,根据实体相对于关系的位置,实体的向量表示由其本身的嵌入向量和对应的关系上下文向量相加获得。Cont E可以建模四种常见的关系模式:逆关系、对称关系、反对称关系和组合关系。Cont E是简单的双线性模型,随着实体或者关系数量的增加,模型中的参数仅与其嵌入维度呈线性相关。Cont E模型具有完全表达的能力。在UMLS、Nations、FB15K-237和Countries数据集上的链接预测实验数据显示,相比于目前流行的基线,Cont E在各项指标上均有提升。此外,实验结果显示Cont E模型在组合推理能力表现优异,验证了关系作为上下文语义的有效性。(2)针对当前多数嵌入模型不能同时建模复杂映射关系和关系模式的问题,提出基于实体上下文和关系双向旋转的知识图谱嵌入模型ECBR。该方法首先基于复数空间构建实体的嵌入向量,然后引入实体的上下文信息,以获取更新后的实体嵌入向量;同时引入关系的双向旋转,将关系映射为头实体到尾实体的正向旋转关系和尾实体到头实体的逆向旋转关系;接着结合实体嵌入部分和关系双向旋转部分得到最终嵌入模型。ECBR模型具有完整的关系建模能力,不仅能推理四种关系模式,还能建模复杂映射关系。此外,在基准数据集FB15k-237、WN18RR和FB15K上进行链接预测对比实验。实验结果显示模型在各项指标上均有提升,验证了模型的有效性。
基于关系上下文和关系双向旋转的知识图谱嵌入方法研究
这是一篇关于知识图谱嵌入,链接预测,关系上下文,关系模式,映射关系的论文, 主要内容为知识图谱在大数据和人工智能领域引起了工业界和学术界的广泛关注,并且衍生了许多基于知识图谱的智能应用,如:推荐系统、智能问答、语义搜索等。但是由于知识图谱的不完整性,这些应用受到了限制。为了自动的补全知识图谱,基于知识图谱嵌入的补全方法便得到了广泛研究。因此,如何高效、准确地补全知识图谱成为嵌入模型的首要任务。知识图谱嵌入模型的性能很大程度上体现在其对关系模式和映射关系的建模能力。然而,在现有的知识图谱嵌入学习中,知识图谱的结构信息未被充分利用、三元组的语义信息难以学习、嵌入模型不具有充分的关系建模能力等问题普遍存在。针对以上问题,本文做了以下工作:(1)针对目前大多数嵌入方法未能充分利用三元组结构信息,忽略了关系作为链接头尾实体的语义信息的问题,提出了一种基于关系上下文的知识图谱嵌入模型Cont E。Cont E中关系的前向和后向影响映射为两个不同的嵌入向量,用于表示关系的上下文信息。然后,根据实体相对于关系的位置,实体的向量表示由其本身的嵌入向量和对应的关系上下文向量相加获得。Cont E可以建模四种常见的关系模式:逆关系、对称关系、反对称关系和组合关系。Cont E是简单的双线性模型,随着实体或者关系数量的增加,模型中的参数仅与其嵌入维度呈线性相关。Cont E模型具有完全表达的能力。在UMLS、Nations、FB15K-237和Countries数据集上的链接预测实验数据显示,相比于目前流行的基线,Cont E在各项指标上均有提升。此外,实验结果显示Cont E模型在组合推理能力表现优异,验证了关系作为上下文语义的有效性。(2)针对当前多数嵌入模型不能同时建模复杂映射关系和关系模式的问题,提出基于实体上下文和关系双向旋转的知识图谱嵌入模型ECBR。该方法首先基于复数空间构建实体的嵌入向量,然后引入实体的上下文信息,以获取更新后的实体嵌入向量;同时引入关系的双向旋转,将关系映射为头实体到尾实体的正向旋转关系和尾实体到头实体的逆向旋转关系;接着结合实体嵌入部分和关系双向旋转部分得到最终嵌入模型。ECBR模型具有完整的关系建模能力,不仅能推理四种关系模式,还能建模复杂映射关系。此外,在基准数据集FB15k-237、WN18RR和FB15K上进行链接预测对比实验。实验结果显示模型在各项指标上均有提升,验证了模型的有效性。
复数空间内基于动态映射的知识表示学习方法
这是一篇关于知识表示,知识图谱补全,链接预测,关系模式,复杂关系的论文, 主要内容为知识图谱由谷歌提出并应用于其搜索引擎,极大增强了搜索引擎的语义搜索能力。近年来,在互联网海量数据的支撑下以及机器学习技术的提升,知识图谱得以迅速发展,并成功应用于问答系统、推荐系统等方向。常见的知识图谱包括Word Net、Free Base和YAGO等。如今构建的知识图谱规模日益庞大,然而,由于其大都由人工或半自动方式构建导致知识图谱并不完整,知识图谱补全愈发重要。知识图谱补全的一种重要方法是知识表示学习,通过将知识向量化表示,在向量空间内高效的计算以搜索潜在的实体或关系继而补全知识图谱。现有的知识图谱表示工作主要对复杂关系与关系模式建模,然而,忽略了两者之间的紧耦合性。一种有效的知识表示学习方法应该能同时对复杂关系与关系模式进行表示,以增强其表示性能。基于此,本文提出一种基于复数空间内动态映射的知识表示学习模型(Knowledge Representation Learning via Complex Space Dynamic Mapping,KRLCSDM),该模型可同时表示复杂关系与关系模式。本文的主要研究内容如下:(1)知识图谱中存在了大量的复杂关系(主要表现形式为一对一、一对多、多对一、多对多关系)以及关系模式(主要存在形式为对称关系模式8)、反对称关系模式((69)4)8))、逆关系模式49))、组合关系模式((88))),为同时表示两者,本文提出KRLCSDM模型。首先该模型将实体以及实体间关系表示为离散的复数矢量,其次,构造动态映射将离散的复数矢量聚簇为相近的矢量,用于表示实体间的复杂关系。然后,利用复数空间的旋转策略,以表示离散复数矢量之间的对称关系模式8)、逆关系模式49))、组合关系模式((88))。(2)本文利用多个基准数据集进行链接预测实验,验证KRLCSDM的准确性。实验结果表明,KRLCSDM模型能有效进行缺失预测。特别地,相比Rotat E模型,在YAGO3-10数据集上KRLCSDM的平均排名提升18%,平均倒数排名提升5.2%,数据集中链接预测实体排在第一名的比例提升6.0%,实体排在前三名的比例提升4.9%,实体排在前十名的比例提升3.5%。通过可视化方式以及对数据集中复杂关系分类实验,表明KRLCSDM可有效建模关系模式和复杂关系。本文将KRLCSDM结合关系路径进行训练,实验表明在结合关系路径后,KRLCSDM表示更加准确。(3)利用KRLCSDM训练后的向量,在关系丰富的数据集FB15k-237上进行进行规则挖掘。实验结果显示基于KRLCSDM的规则挖掘算法可挖掘到高质量以及合理的规则,侧面验证了KRLCSDM对组合关系模式((88))建模的准确性。
复数空间内基于动态映射的知识表示学习方法
这是一篇关于知识表示,知识图谱补全,链接预测,关系模式,复杂关系的论文, 主要内容为知识图谱由谷歌提出并应用于其搜索引擎,极大增强了搜索引擎的语义搜索能力。近年来,在互联网海量数据的支撑下以及机器学习技术的提升,知识图谱得以迅速发展,并成功应用于问答系统、推荐系统等方向。常见的知识图谱包括Word Net、Free Base和YAGO等。如今构建的知识图谱规模日益庞大,然而,由于其大都由人工或半自动方式构建导致知识图谱并不完整,知识图谱补全愈发重要。知识图谱补全的一种重要方法是知识表示学习,通过将知识向量化表示,在向量空间内高效的计算以搜索潜在的实体或关系继而补全知识图谱。现有的知识图谱表示工作主要对复杂关系与关系模式建模,然而,忽略了两者之间的紧耦合性。一种有效的知识表示学习方法应该能同时对复杂关系与关系模式进行表示,以增强其表示性能。基于此,本文提出一种基于复数空间内动态映射的知识表示学习模型(Knowledge Representation Learning via Complex Space Dynamic Mapping,KRLCSDM),该模型可同时表示复杂关系与关系模式。本文的主要研究内容如下:(1)知识图谱中存在了大量的复杂关系(主要表现形式为一对一、一对多、多对一、多对多关系)以及关系模式(主要存在形式为对称关系模式8)、反对称关系模式((69)4)8))、逆关系模式49))、组合关系模式((88))),为同时表示两者,本文提出KRLCSDM模型。首先该模型将实体以及实体间关系表示为离散的复数矢量,其次,构造动态映射将离散的复数矢量聚簇为相近的矢量,用于表示实体间的复杂关系。然后,利用复数空间的旋转策略,以表示离散复数矢量之间的对称关系模式8)、逆关系模式49))、组合关系模式((88))。(2)本文利用多个基准数据集进行链接预测实验,验证KRLCSDM的准确性。实验结果表明,KRLCSDM模型能有效进行缺失预测。特别地,相比Rotat E模型,在YAGO3-10数据集上KRLCSDM的平均排名提升18%,平均倒数排名提升5.2%,数据集中链接预测实体排在第一名的比例提升6.0%,实体排在前三名的比例提升4.9%,实体排在前十名的比例提升3.5%。通过可视化方式以及对数据集中复杂关系分类实验,表明KRLCSDM可有效建模关系模式和复杂关系。本文将KRLCSDM结合关系路径进行训练,实验表明在结合关系路径后,KRLCSDM表示更加准确。(3)利用KRLCSDM训练后的向量,在关系丰富的数据集FB15k-237上进行进行规则挖掘。实验结果显示基于KRLCSDM的规则挖掘算法可挖掘到高质量以及合理的规则,侧面验证了KRLCSDM对组合关系模式((88))建模的准确性。
基于关系上下文和关系双向旋转的知识图谱嵌入方法研究
这是一篇关于知识图谱嵌入,链接预测,关系上下文,关系模式,映射关系的论文, 主要内容为知识图谱在大数据和人工智能领域引起了工业界和学术界的广泛关注,并且衍生了许多基于知识图谱的智能应用,如:推荐系统、智能问答、语义搜索等。但是由于知识图谱的不完整性,这些应用受到了限制。为了自动的补全知识图谱,基于知识图谱嵌入的补全方法便得到了广泛研究。因此,如何高效、准确地补全知识图谱成为嵌入模型的首要任务。知识图谱嵌入模型的性能很大程度上体现在其对关系模式和映射关系的建模能力。然而,在现有的知识图谱嵌入学习中,知识图谱的结构信息未被充分利用、三元组的语义信息难以学习、嵌入模型不具有充分的关系建模能力等问题普遍存在。针对以上问题,本文做了以下工作:(1)针对目前大多数嵌入方法未能充分利用三元组结构信息,忽略了关系作为链接头尾实体的语义信息的问题,提出了一种基于关系上下文的知识图谱嵌入模型Cont E。Cont E中关系的前向和后向影响映射为两个不同的嵌入向量,用于表示关系的上下文信息。然后,根据实体相对于关系的位置,实体的向量表示由其本身的嵌入向量和对应的关系上下文向量相加获得。Cont E可以建模四种常见的关系模式:逆关系、对称关系、反对称关系和组合关系。Cont E是简单的双线性模型,随着实体或者关系数量的增加,模型中的参数仅与其嵌入维度呈线性相关。Cont E模型具有完全表达的能力。在UMLS、Nations、FB15K-237和Countries数据集上的链接预测实验数据显示,相比于目前流行的基线,Cont E在各项指标上均有提升。此外,实验结果显示Cont E模型在组合推理能力表现优异,验证了关系作为上下文语义的有效性。(2)针对当前多数嵌入模型不能同时建模复杂映射关系和关系模式的问题,提出基于实体上下文和关系双向旋转的知识图谱嵌入模型ECBR。该方法首先基于复数空间构建实体的嵌入向量,然后引入实体的上下文信息,以获取更新后的实体嵌入向量;同时引入关系的双向旋转,将关系映射为头实体到尾实体的正向旋转关系和尾实体到头实体的逆向旋转关系;接着结合实体嵌入部分和关系双向旋转部分得到最终嵌入模型。ECBR模型具有完整的关系建模能力,不仅能推理四种关系模式,还能建模复杂映射关系。此外,在基准数据集FB15k-237、WN18RR和FB15K上进行链接预测对比实验。实验结果显示模型在各项指标上均有提升,验证了模型的有效性。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设海岸 ，原文地址：https://bishedaima.com/lunwen/56234.html
