基于关系路径建模的知识表示学习研究

发布时间：2020-06-01 13:08

【摘要】：大数据时代下,互联网上时刻会有海量的各种结构类型的数据被产生。如何操作这些海量的数据并获取其中的有用信息,受到了普遍的关注。知识图谱(Knowledge Graph,KG)将各种结构化数据的语义信息以计算机可以理解的方式表示出来,有助于我们更好地组织和管理数据。而现有的KGs并不完整,这大大限制了知识图谱的运用。因而,有必要发掘KGs中隐含的信息以实现知识推理,来完善KGs。知识图谱是一个由相互关联的知识组成的复杂的语义网络,其中实体(entity)被视为该网络的结点,实体间的关系(relation)则被视为该网络的边。知识表示学习的目的是学习KGs中的实体和关系并计算其语义联系。该技术可以有效提升知识获取、表示和推理的性能,因此,本文在知识表示学习的基础上进行进一步研究,具体内容如下:(1)针对不同知识图谱的个体局部性问题,提出一种动态边际(DM)翻译原理,并将该原理引入经典TransE模型。首先,在训练过程当中,针对不同的KGs设置不同的模型参数。其次,根据训练次数的增加,动态优化损失函数的边际值,有效地改善了不同KGs的独特性问题,从而提升了训练效率。(2)知识图谱中,路径作为除关系外连接两个实体的另一种方式,也蕴含着实体间丰富的语义信息。加入路径的表示学习模型如PTransE,在实体对间仅包含一条路径的情况下取得了显著的改进。但是,当实体对之间的路径数大于1时,这些模型对于多路径并不能很好地建模。介于此,本文提出了一种动态路径翻译(DPT)原则。DPT有针对性的添加与各条路径相对应的向量因子,并将这些向量因子与实体向量和关系向量同步训练,来实现对实体对间的多条路径的建模。(3)现有基于路径的知识表示学习模型仅加入了两到三步路径。为了更好地反映KGs中的复杂推理,本文利用长短时记忆网络结构对一条路径中的多个关系依次进行迭代组合操作,来增加嵌入路径的长度,捕捉相距较远的实体之间所隐含的语义信息。并且,训练过程中采用改进的路径约束分配资源算法即im-PCRA算法,计算实体对之间每条路径的可靠性。
【图文】：

图 1.1 部分知识图谱示例嵌入式的关系路径建模术的基本思想源自于隐式因子模型。在嵌入式技术的假设中，体和关系可以表示在一个隐式的低维向量空间中，表示的形式者矩阵，然后在这个空间中进行计算推理。关系路径建模的第式，这种表示形式能够把低维向量空间中的向量与知识图谱中，这个过程称之为嵌入，该过程的产物就是上述的向量、张量个得分函数，该函数是基于每个知识条目的三元组而设定的，到的嵌入，用于判断三元组或者事实是否成立。最后要解决两化的问题和参数优化的问题，通过这种方式来学习路径的低的优点：第一，可以捕捉到数据的内在特征；第二，具有高度类型的实体和关系；第三，，具有很强的操作性，效率较高。

TransE和PTransE图示
【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】：2019
【分类号】：TP181

【相似文献】

相关期刊论文 前10条

1 赵强;;基于直觉模糊Petri网的知识表示与推理[J];信息与电脑(理论版);2018年21期

2 李娟;吴想;;谓词逻辑在人工智能知识表示中的应用[J];数码世界;2017年06期

3 顾永跟;决策表知识表示的应用探讨[J];湖州师专学报;1996年06期

4 刘群,刘杰,陈述;基于集成式知识表示的专家系统开发工具[J];小型微型计算机系统;1997年05期

5 郑士贵;知识表示图的比较分析和评价的基础[J];管理科学文摘;1997年01期

6 刘群,陈述,刘杰;一种集成式知识表示及相应推理方法[J];哈尔滨工程大学学报;1997年01期

7 石祥滨，鲜宏，逯越;一种用于医学诊断的知识表示模型[J];沈阳工业大学学报;1994年03期

8 徐峻;张懋森;;关系矩阵法——一种新的化学结构表示法[J];计算机与应用化学;1987年02期

9 管纪文;邱涤虹;;关于知识表示[J];计算机科学;1987年01期

10 吴信东;;论知识表示[J];计算机工程与应用;1988年06期

相关会议论文 前10条

1 苏俊;颜宗福;;一种基于数据库技术的不同知识表示之间的转换方法[A];第十届全国数据库学术会议论文集[C];1992年

2 刘永清;刘泉宝;;关于知识表示的思考[A];1995年中国智能自动化学术会议暨智能自动化专业委员会成立大会论文集（上册）[C];1995年

3 施平安;吴f^;;数字化海事案例特征提取与知识表示初探[A];第二届广东海事高级论坛论文集[C];2008年

4 张龙祥;汤庸;;面向对象的知识表示和知识库组织[A];第九届全国数据库学术会议论文集(上)[C];1990年

5 刘邦凡;;一个知识表示的广义模态逻辑方案[A];2007年全国现代逻辑学术研讨会论文集[C];2007年

6 吴金平;李加祥;缪旭东;;防空威胁判断中对目标信息的模糊知识表示[A];2001年中国智能自动化会议论文集（上册）[C];2001年

7 朱斌;张丽萍;李延珩;;知识工程基本技术[A];计算机与教育——全国计算机辅助教育学会第十届学术年会论文集[C];2001年

8 潘久辉;;多媒介信息:面向对象的数据与知识表示[A];第九届全国数据库学术会议论文集(上)[C];1990年

9 郑德玲;李育晖;李擎;;基于模式识别及神经网络的专家系统的知识表示的推理策略[A];1995年中国控制会议论文集（下）[C];1995年

10 刘适;;航空结构件数控程编知识获取与知识表示研究[A];2017年（第三届）中国航空科学技术大会论文集（下册）[C];2017年

相关重要报纸文章 前1条

1 CF40理事 资配易董事长 创始人 张家林;人工智能投顾，需要从业资格考试吗[N];华夏时报;2016年

相关博士学位论文 前10条

1 肖寒;基于几何变换的知识表示研究[D];清华大学;2017年

2 徐焕良;企业知识资源计划及其关键技术研究[D];南京航空航天大学;2003年

3 郑骁庆;语义万维网的不确定知识表示与信任计算[D];浙江大学;2007年

4 秦忠宝;基于混合知识表示的设计创新及知识获取研究[D];西北工业大学;2006年

5 赵昌葆;工程知识粒度化技术及其应用研究[D];西北工业大学;2006年

6 周文;基于概念的若干知识表示模型及相关方法研究[D];上海大学;2007年

7 肖文洁;知识表示与推理的若干问题研究[D];南京航空航天大学;2010年

8 孙丽君;物流配送干扰管理问题的知识表示与建模方法[D];大连理工大学;2011年

9 郭晓黎;煤矿安全事件本体及其在查询扩展中的应用研究[D];中国矿业大学(北京);2016年

10 仲兆满;事件本体及其在查询扩展中的应用[D];上海大学;2011年

相关硕士学位论文 前10条

1 王权威;初等数学问题自动求解中的分支推理架构及实现[D];电子科技大学;2019年

2 单迎春;翻译模型的负样生成方法研究[D];合肥工业大学;2019年

3 罗义琴;基于关系路径建模的知识表示学习研究[D];桂林电子科技大学;2019年

4 沈杰;数据驱动的知识图谱补全[D];云南大学;2018年

5 王琦;基于多源信息的知识表示学习方法研究[D];华中师范大学;2019年

6 黄璨;大规模健康管理方案及定量操作知识的网络化转换研究[D];上海交通大学;2016年

7 张钊;知识表示与知识表示学习在服务机器人中的应用研究[D];中国科学技术大学;2019年

8 刘颖;知识表示学习中考虑基数约束的筛选方法[D];吉林大学;2019年

9 罗丹;一种基于表示学习的知识图谱融合算法与系统实现[D];浙江大学;2018年

10 欧阳欣;基于多源信息融合的知识表示学习及应用[D];华东师范大学;2018年

本文编号：2691530