基于互信息的知识图谱实体关联关系建模与补全
发布时间：2020-03-29 12:41
【摘要】：知识图谱(knowledge graph,KG)中实体间缺失关系的补全,是目前KG领域研究的热点之一。随着Web2.0的快速发展,用户生成数据(user-generated data,UGD)中体现出来的实体间的关联关系是KG所描述知识的有益补充。目前基于路径的KG知识推理方法,由于存在稀疏或者错误实体关系,且连通性差,从而导致实体间关系抽取不准确。针对该问题,提出一种借助UGD中实体间关联关系来补全KG的方法。首先从UGD出发,使用互信息来计算实体节点间的关联关系,从而构建实体节点关联图(entity association graph,EAG);然后给出关联影响叠加方法来定量计算EAG中互不相邻实体间的潜在关联关系,从而得到一个关联影响值;最后对不相邻的实体节点之间的多个关联影响值再次进行叠加计算,从而判断实体间是否存在强的潜在关联关系,实现KG的补全。建立在真实数据之上的实验结果表明,所提方法对KG的补全是有效的。
【图文】：
建[5]、表示学习[6-7]和补全（completion）[8-9]等方面开展了大量的研究。KG是一种节点和边组成的图结构，其中节点表示相应的实体，边表示实体之间的关系。因为KG中节点之间的关联关系能够更好地完善搜索结果，服务用户，所以KG的完备性和准确性尤为重要。虽然当前知识库数量不断增多，规模不断扩大，但是仍然有许多知识库并不完整，例如GoogleKnowledgeVault[7]项目核心元素Freebase[10]中71%的个人信息缺失“出生地”，75%的个人信息缺失“国籍说明”，这使得KG的补全具有重要的实际意义。针对图1中描述用户浏览商品相关信息的KG，补全就是判断和添加图1中虚线部分商品节点之间缺失的关系。针对KG补全，目前国内外学者开展了许多系统性的研究。例如，Liu等人[2]综述了KG中通过实体间关系抽取来补全KG的相关概念和研究领域，介绍了关系抽取的经典模型，大多数KG补全的方法都是以表示学习和知识推理为基矗其中，从表示学习方面，Zhang等人[11]提出一种实体间相似性度量标准，showtheefficiencyandeffectivenessoftheproposedKGcompletion.Keywords:knowledgegraph;completion;user-generateddata;mutualinformation;associationimpact摘要：知识图谱（knowledgegraph，KG）中实体间缺失关系的补全，是目前KG领域研究的热点之一。随着Web2.0的快速发展，用户生成数据（user-generateddata，UGD）中体现出来的实体间的关联关系是KG所描述知识的有益补充。目前基于路径的KG知识推理方法，由于存在稀疏或者错误实体关系，且连通性差，从而导致实体间关系抽取不准确。针对该问题，提出一种借助UGD中实体间关联关系来补全KG的方法。首先从UGD出发，使用互信息来计算实体节点间的关联关系，从而构建实体节点关联图（
9的执行时间为O(n2)，因此算法1的时间复杂度为O(n2)。针对实际中规模较大的UGD，下文进一步通过实验来测试算法的有效性。例1以用户浏览商品为例，若UGD中包含1000条用户行为记录，由算法1的步骤5得到N(“鼠标”)=325，N(“键盘”)=400，由步骤6得到N(“鼠标”,“键盘”)=187，则根据上述式（2）、（3）、（4）、（5）、（6）得到0.71>0.58，因此“鼠标”和“键盘”之间边的方向为“鼠标”“键盘”。同理可计算出其他实体节点间的关联度以及它们之间边的方向，如图2所示。3KG的补全若GK中实体节点间缺失的边在G中真实存在，则把这条边添加到GK中；若GK中实体节点间缺失的边在G中不存在，则把这样的节点之间的关联称为潜在关联，进而通过判断潜在关联的强弱来确定这两个节点之间是否需要添加边。3.1实体节点间潜在的关联关系度量G中一个实体节点op均与两个不相邻的实体节点oq和oz相邻，且它们之间的关联值分别记为I(op,oq)和I(op,oz)。在实际情形中，一个实体节点与两个不相邻的实体节点之间关联值越高，，且关联值越接近，则这两个不相邻的实体节点之间的潜在关联关系越高，反之，则越低。本文综合考虑一个实体节点对两个不相邻的实体节点之间产生的关联影响，引入“叠加”的概念[18]。将该实体节点对两个不相邻的实体节点之间的影响而产生的关联影响值记为I(op,oq)"旾(op,oz)，且叠加算子"曈β悖海
本文编号：2605984
【图文】：
建[5]、表示学习[6-7]和补全（completion）[8-9]等方面开展了大量的研究。KG是一种节点和边组成的图结构，其中节点表示相应的实体，边表示实体之间的关系。因为KG中节点之间的关联关系能够更好地完善搜索结果，服务用户，所以KG的完备性和准确性尤为重要。虽然当前知识库数量不断增多，规模不断扩大，但是仍然有许多知识库并不完整，例如GoogleKnowledgeVault[7]项目核心元素Freebase[10]中71%的个人信息缺失“出生地”，75%的个人信息缺失“国籍说明”，这使得KG的补全具有重要的实际意义。针对图1中描述用户浏览商品相关信息的KG，补全就是判断和添加图1中虚线部分商品节点之间缺失的关系。针对KG补全，目前国内外学者开展了许多系统性的研究。例如，Liu等人[2]综述了KG中通过实体间关系抽取来补全KG的相关概念和研究领域，介绍了关系抽取的经典模型，大多数KG补全的方法都是以表示学习和知识推理为基矗其中，从表示学习方面，Zhang等人[11]提出一种实体间相似性度量标准，showtheefficiencyandeffectivenessoftheproposedKGcompletion.Keywords:knowledgegraph;completion;user-generateddata;mutualinformation;associationimpact摘要：知识图谱（knowledgegraph，KG）中实体间缺失关系的补全，是目前KG领域研究的热点之一。随着Web2.0的快速发展，用户生成数据（user-generateddata，UGD）中体现出来的实体间的关联关系是KG所描述知识的有益补充。目前基于路径的KG知识推理方法，由于存在稀疏或者错误实体关系，且连通性差，从而导致实体间关系抽取不准确。针对该问题，提出一种借助UGD中实体间关联关系来补全KG的方法。首先从UGD出发，使用互信息来计算实体节点间的关联关系，从而构建实体节点关联图（
9的执行时间为O(n2)，因此算法1的时间复杂度为O(n2)。针对实际中规模较大的UGD，下文进一步通过实验来测试算法的有效性。例1以用户浏览商品为例，若UGD中包含1000条用户行为记录，由算法1的步骤5得到N(“鼠标”)=325，N(“键盘”)=400，由步骤6得到N(“鼠标”,“键盘”)=187，则根据上述式（2）、（3）、（4）、（5）、（6）得到0.71>0.58，因此“鼠标”和“键盘”之间边的方向为“鼠标”“键盘”。同理可计算出其他实体节点间的关联度以及它们之间边的方向，如图2所示。3KG的补全若GK中实体节点间缺失的边在G中真实存在，则把这条边添加到GK中；若GK中实体节点间缺失的边在G中不存在，则把这样的节点之间的关联称为潜在关联，进而通过判断潜在关联的强弱来确定这两个节点之间是否需要添加边。3.1实体节点间潜在的关联关系度量G中一个实体节点op均与两个不相邻的实体节点oq和oz相邻，且它们之间的关联值分别记为I(op,oq)和I(op,oz)。在实际情形中，一个实体节点与两个不相邻的实体节点之间关联值越高，，且关联值越接近，则这两个不相邻的实体节点之间的潜在关联关系越高，反之，则越低。本文综合考虑一个实体节点对两个不相邻的实体节点之间产生的关联影响，引入“叠加”的概念[18]。将该实体节点对两个不相邻的实体节点之间的影响而产生的关联影响值记为I(op,oq)"旾(op,oz)，且叠加算子"曈β悖海
本文编号：2605984
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/2605984.html
