基于融合信息的知识推理研究

发布时间：2021-10-08 15:11

　　随着互联网的普及与发展,数据量呈指数型爆炸式增长,如何管理和应用如此海量的数据成为一大难题。知识图谱的出现为互联网数据提供了一种新的管理方式,人们从匹配式检索过渡到智能化问答式检索,挖掘了海量数据的潜在价值,为智能化揭开了序幕。随着知识图谱概念的深入与发展,各家公司都开发了自己的知识图谱,而当前的知识图谱存在的最大问题便是知识的缺失,知识推理正是解决该问题的关键技术,以往的知识推理方法都有一定的局限性:模型复杂、可解释性差、效率低。经典的翻译模型所使用的信息仅包括实体三元组,缺失知识图谱中的路径、实体类别等信息,已不在适用于结构逐渐复杂的知识图谱。本文的重点在于将知识图谱中的多种信息融合运用到知识推理中。知识推理的重点是对知识图谱的补全,知识图谱的组成基础是实体三元组,因此本文从链接预测和实体分类两个任务分别进行研究。对于链接预测任务,在三元组的基础上引入路径信息和实体描述信息,分别增强模型对路径关系的提取能力以及模型对于实体类型的区分能力。对于随机游走产生的庞大路径集合,对该路径进行聚合,大大减少路径的数量,减少了算法的开销,一定程度上提高了路径预测的准确率。对于实体分类任务,与命名... 

【文章来源】：武汉邮电科学研究院湖北省

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景
        1.1.1 研究意义
    1.2 国内外研究现状
    1.3 本文的主要工作
    1.4 论文的组织结构
2 相关技术
    2.1 知识图谱技术
        2.1.1 表示学习方法
        2.1.2 知识推理模型
    2.2 知识推理研究方法
        2.2.1 命名实体识别
        2.2.2 随机排序算法
    2.3 神经网络模型
        2.3.1 循环神经网络(Recurrent Neural Network,RNN)
        2.3.2 图卷积神经网络(Graph Convolutional Network)
    2.4 本章小结
3 基于融合信息的链接预测研究
    3.1 引言
    3.2 知识图谱表示
        3.2.1 知识图谱三元组
        3.2.2 描述性信息向量化
        3.2.3 路径信息
        3.2.4 反例构建及损失函数
    3.3 路径发现
        3.3.1 Path Rank算法
        3.3.2 路径聚合
    3.4 融合路径信息的链接预测算法
        3.4.1 模型简介
        3.4.2 关系推理层
    3.5 基于融合信息的链接预测实验
        3.5.1 链接预测实验参数设计
        3.5.2 链接预测实验评测标准
        3.5.3 链接预测实验数据集
        3.5.4 链接预测实验结果与分析
    3.6 小结
4 基于图卷积神经网络的实体分类研究
    4.1 引言
    4.2 形式化描述
    4.3 特征选择
        4.2.1 节点特征
        4.2.2 图结构信息
    4.4 特征融合
    4.5 图卷积神经网络(Graph Convolutional Network)
        4.5.1 图卷积神经网络
        4.5.2 图卷积层
    4.6 实体节点分类
    4.7 基于图卷积神经网络实体分类实验
        4.7.1 实体分类实验参数设计
        4.7.2 实体分类实验评测标准
        4.7.3 实体分类实验数据集简介
        4.7.4 实体分类实验结果与分析
    4.8 小结
5 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献
附录1 攻读硕士学位期间参与的项目和发表的论文


【参考文献】：
期刊论文
[1]基于双向长短时记忆单元和卷积神经网络的多语种文本分类方法[J]. 孟先艳,崔荣一,赵亚慧,方明洙.  计算机应用研究. 2020(09)
[2]基于多级关系路径语义组合的关系推理算法[J]. 陈恒,韩雨婷,李冠宇,王京徽.  计算机工程. 2020(05)
[3]基于神经网络的知识推理研究综述[J]. 张仲伟,曹雷,陈希亮,寇大磊,宋天挺.  计算机工程与应用. 2019(12)
[4]知识图谱的发展与构建[J]. 李涛,王次臣,李华康.  南京理工大学学报. 2017(01)
[5]知识图谱研究进展[J]. 漆桂林,高桓,吴天星.  情报工程. 2017(01)
[6]知识图谱技术综述[J]. 徐增林,盛泳潘,贺丽荣,王雅芳.  电子科技大学学报. 2016(04)
[7]知识图谱构建技术综述[J]. 刘峤,李杨,段宏,刘瑶,秦志光.  计算机研究与发展. 2016(03)
[8]知识表示学习研究进展[J]. 刘知远,孙茂松,林衍凯,谢若冰.  计算机研究与发展. 2016(02)
[9]基于规则推理的语义检索若干关键技术研究[J]. 马森,赵文,袁崇义,张世琨,王立福.  电子学报. 2013(05)

硕士论文
[1]融合结构和语义信息的知识图谱补全算法研究[D]. 唐慧琳.北京邮电大学 2017



本文编号：3424415