基于实体描述和实体相似性的知识表示学习研究

发布时间：2022-08-23 12:20

　　知识图谱（Knowledge Graphs）描述现实世界中实体（entity）及其间的关系（relation）,成为了很多智能应用的基础。自2012年谷歌公司提出知识图谱的概念以来,国内外互联网公司争相研发出各自的知识图谱产品并应用到关系抽取、智能搜索、智能问答、个性化推荐等场景,如微软Bing Satori、搜狗知立方和百度知心等。而成功构建与应用知识图谱,在很大程度上取决于知识图谱的表示方法的合理性。典型的知识图谱是由三元组（h,r,t）组成的集合,其中h和t分别表示头实体和尾实体,r表示h和t之间的关系。这种具有符号化的表示不利于数值计算,而且大规模知识图谱通常具有高维、稀疏和不完整等不足,同时由于知识的爆炸式增长,知识图谱需要不断更新和补全,而基于图的推理算法计算复杂度高、可扩展性差,很难达到大规模实时计算的要求。传统的表示方法,以独热表示为例,它假设所有对象相互独立,即对象的向量表示是两两正交的,无论两对象的语义是否相近,通过余弦距离等方式计算的语义相似度都为零,造成语义信息的丢失。同时,随着对象规模的增大,独热表示下的向量维度也随之增加,无法合理地表示知识图谱中的三元组。所... 

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

图２．３?ＴｒａｎｓＲ模型示意图??ＴｒａｎＳｐａｒｓｅｌ１５］考虑到实体和关系的异质性，即有些关系与大量头体有关联，某??

图２．５?ＫＡＬＥ模型示意图??２．３．４融合关系路径的表示学习??尽管ＴｒａｎｓＥ及其扩展方法在建模知识图谱中的实体和关系方面取得了巨大的??

图３．１小型知识图谱示例??２１??

【参考文献】：
期刊论文
[1]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)

硕士论文
[1]基于多源信息表示学习的知识图谱补全算法研究[D]. 鲍开放.华东师范大学 2018



本文编号：3677753