基于深度卷积网络的知识图谱补全模型

发布时间：2021-04-13 21:40

　　知识图谱包含了实体和关系的结构化信息,通常表示为多关系图的形式,即实体之间通过代表不同关系的边进行连接。知识图谱可以用于包括人工智能和信息检索在内的多个领域。随着信息大量的创建,对许多研究人员和从业人员而言,确定知识图中信息是否正确并填补其缺失部分是至关重要的任务。为了应对这一挑战,研究人员尝试将由实体和关系组成的大规模知识图谱嵌入到连续的向量空间以便于计算。最近,研究人员提出了许多开创性的模型来解决这个问题。根据模型中得分函数定义的不同,本文将模型分为组合方法和非组合方法两类。非组合方法如Trans E,虽然计算效率很高,但是模型的拟合能力欠佳。诸如Rescal之类的组合方法有更好的拟合能力,但它需要大量的参数进行计算。在本文中,我们使用深度卷积神经网络来建模嵌入向量之间的关系。与传统方法中人为设计算子的方法不同,本文利用深度卷积神经网络来计算实体隐特征之间的关联,并以实体之间的相似性作为辅助信息来改进模型。在实验中,我们的方法比大多数基线模型都有效并且表现优异。 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：55 页

【学位级别】：硕士

【部分图文】：

知识图谱及补全问题示意图

图 2-1 用独热编码的方式表示词向量这些缺点限制了独热编码的词向量表示在自然语言处理中的应用，对此，研究人员提出了很多方法，使用较为广泛的是词的嵌入表示。2. 嵌入表示嵌入是将词映射到低维向量空间中，通常维度是几十到几百。嵌入的词向量中的特征称为隐特征，它们是没有具体含义的。通过将词嵌入到低维空间中，便可以在此基础上进行向量操作和运算。在文本的处理中，常用的词嵌入方法又被成为 Word2Vec，常用的方法有 CBOW 和 skip-gram，由于篇幅限制，我们不对 Word2Vec 的具体模型进行介绍，只针对知识图谱中的嵌入进行解释。知识图谱因为其特殊的数据结构，其嵌入方式是依据损失函数而确定的。不同于文本处理中的词嵌入，文本的词是在整个句子中出现，知识图谱的嵌入有其特殊性：（1） 不同于文本，知识图谱的数据集是规则的三元组结构，包含头部实体，尾部实体和关系。

生成负例


本文编号：3136053