面向知识图谱的表示学习研究

发布时间：2020-08-04 19:25

【摘要】：随着科技的发展,我们逐渐进入一个信息化,智能化时代。海量新的数据和信息每天都以不同的形式产生,移动互联网已成为目前最有效便捷的信息获取平台,如何从海量数据中获取有效信息已成为众多领域面临的主要难题。因此,面向知识图谱的表示学习成为了人工智能领域的一个研究热点。知识图谱是关于现实世界中存在的“实体”以及实体间复杂语义“关系”的图结构。表示学习旨在将实体和关系投影到一个连续的低维向量空间,然后将知识分析推广为数值计算。近年来,研究者们提出了以TransE为代表的多种表示学习模型来表示知识图谱中实体与关系,并取得了显著的成果。然而,TransE在进行复杂关系建模和多源信息融合时,仍存在许多局限性。针对上述分析,本文主要研究内容如下:(1)针对现有TrasnE模型对复杂关系进行建模时的局限性问题,提出一种基于多翻译原则的表示学习方法。首先,训练过程中不断调整模型参数。其次,根据不同的关系类别,设置不同的翻译原则,有效地解决了对复杂关系建模时的局限性。(2)现有表示学习模型通常使用同一步长对不同复杂程度的实体和关系进行训练,不能很好地区分不同复杂程度的关系。为均衡步长对不同复杂程度的关系和实体的影响,根据实体和关系的复杂度设置一个动态步长以解决知识图谱异质性和不均衡性所带来的影响。(3)针对当前模型未能充分利用与知识相关信息的问题,提出一种融合实体和关系的文本描述信息的表示学习方法。通过新型标记方案对实体和关系联合抽取,并设置一个平衡因子融合文本描述信息与结构化信息以更好的表示知识图谱中的数据。
【学位授予单位】：桂林电子科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：G434
【图文】：

第一章 绪论§1.1 研究背景及意义随着当今社会迅猛发展，我们逐渐进入一个信息化，智能化时代。海量新的数据和信息每天都以不同的形式产生，来势汹涌的信息与知识有时使人无所适从。移动互联网已成为当今社会最有效便捷的信息获取平台，用户对真实信息获取的需求日益迫切，如何从海量数据中获取有效信息已成为众多领域面临的主要难题。知识图谱(Knowledge Graph, KG)由此应运而生，并以惊人的速度发展。Google 公司于 2012 年 5 月将知识图谱引入搜索引擎[1-2]，开启了大规模知识图谱的研究和应用的热潮。与基于关键词搜索的传统搜索引擎不同，知识图谱可以有效地查找复杂的关联信息，从语义层面上体会用户意图，改善查询质量。如图 1.1，若在Google 的搜索框里输入乔布斯，页面右侧将会出现乔布斯的相关信息，如出生年月、身高、配偶、子女，教育背景等。

【参考文献】

相关博士学位论文 前1条

1 王桢;基于嵌入模型的知识图谱补全[D];中山大学;2017年

本文编号：2780985