基于卷积神经网络的知识图谱补全研究

发布时间：2022-01-26 09:31

　　知识图谱补全是通过预测实体之间的隐藏关系来获取新的知识,从而使知识图谱更加完善。目前将知识图谱中的实体和关系嵌入到连续低维向量空间中成为知识图谱补全的一种有效方法,应用卷积神经网络的ConvE等模型和应用图卷积神经网络的KBAT等模型在知识图谱嵌入中取得了较好的性能。但是,KBAT等模型不能对实体间的双向语义关系进行建模,并且无法获取丰富的多跳邻居特征,ConvE等模型难以获取三元组的深层特征。针对以上问题,本文通过对图卷积神经网络和卷积神经网络进行改进,给出了多跳双向注意力模型MBGAT和基于残差卷积神经网络模型Res DE,提高了知识图谱补全的准确率。本文主要研究内容如下:（1）分析了目前主要的三类知识图谱补全方法,包括基于张量分解的知识图谱补全方法,基于翻译模型的知识图谱补全方法,基于深度学习的知识图谱补全方法。比较了他们的优缺点,并分析了其中存在的问题。（2）针对KBAT等模型存在的问题,给出一种基于编码器-解码器结构的多跳双向注意力模型MBGAT。该模型能够学习到实体更大邻域内的信息,并且获取到实体间的双向语义关系,提升了实体聚合邻域信息的丰富度,提高实体和关系的嵌入质量。在... 

【文章来源】：桂林电子科技大学广西壮族自治区

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 知识图谱补全方法研究现状
        1.2.1 基于张量分解的知识图谱补全方法
        1.2.2 基于翻译模型的知识图谱补全方法
        1.2.3 基于深度学习的知识图谱补全方法
    1.3 研究内容
    1.4 论文组织结构
第二章 相关知识介绍
    2.1 符号定义
    2.2 知识图谱补全
    2.3 卷积神经网络
        2.3.1 卷积和池化操作
        2.3.2 卷积神经网络结构
    2.4 图卷积神经网络
        2.4.1 频域图卷积神经网络
        2.4.2 空域图卷积神经网络
    2.5 激活函数
        2.5.1 S型激活函数
        2.5.2 ReLU系列激活函数
第三章 基于多跳双向注意力机制的补全模型
    3.1 动机和目的
    3.2 MBGAT模型
        3.2.1 相关概念
        3.2.2 多跳双向注意力层
        3.2.3 编码器训练目标
        3.2.4 MBGAT模型解码器
    3.3 实验及结果分析
        3.3.1 实验数据
        3.3.2 评价指标及基准
        3.3.3 模型训练及参数
        3.3.4 实验结果分析
        3.3.5 MBGAT模型分析
    3.4 本章小结
第四章 基于残差卷积神经网络的补全模型
    4.1 动机和目的
    4.2 ResDE模型
        4.2.1 ResDE模型结构
        4.2.2 ResDE模型训练
    4.3 实验及结果分析
        4.3.1 ResDE模型设置
        4.3.2 模型参数和对比模型
        4.3.3 ResDE独立实验分析
        4.3.4 ResDE解码器实验分析
    4.4 本章小结
第五章 结束语
    5.1 研究工作总结
    5.2 研究工作展望
参考文献
致谢
作者在攻读硕士期间的主要研究成果



本文编号：3610254