教育知识图谱更新与维护的方法研究

发布时间：2020-05-29 16:56

【摘要】：知识图谱是一种拥有众多实体的复杂语义网络。其以图形的方式展现实体,实体所包含的相关属性以及各实体间的关系。2012年谷歌提出知识图谱相关概念,作用在于利用实体间关系定向推理以提升用户的检索质量,其在数据化结构交换,知识计算,知识推理等方面发挥着显著作用。教育知识图谱由于其独特的性质与其他领域的知识图谱相比有很大的差别。在教育知识图谱中其相关实体的专业名词多,中英文概念博杂,知识点间关联密切使得在教育知识图谱的构建过程中需要重新定义本体框架、优化实体与属性抽取方式、建立全新的更新补全算法。虽然知识图谱的涵盖范围大,实体关系复杂多样,但是基于知识的可延展性,需要不断的对知识图谱进行更新与维护。在教育知识图谱的构建过程中,更新推理补全算法需要嵌入到本体构建算法中。现阶段一般把知识图谱分为数据层与数据模式层来分开讨论。在数据层中,可以对图谱中的实体以及实体属性进行增加、修改等操作。在数据模式层进行实体的删除、实体预测补全和实体关系的补全修改操作。所以本文首先搭建了教育知识图谱的更新框架,确定更新的实体类别。针对教育知识图谱的一般特点确定“教育者”“受教育者”“教育措施”为教育知识图谱的三类主要实体。重点研究受教育者与教育措施之间的关系,补全更新知识点间关联,确定知识点权重、知识关联权重达到教育知识图谱相较于传统存储模式以“图”“谱”的形式展现知识的优势。其次,本文对经典的知识图谱推理补全算法Trans E算法进行了改进研究。由于Trans E的简单高效,一直被国内外知识图谱领域所推崇。但是其中对于1-N,N-1和N-N类型的实体关系描述不够准确,容易造成实体间的歧义,所以本文采用改进算法Trans EM作为教育知识图谱数据模式层推理更新的主体算法。最后,通过实验对所提出的改进算法加以验证。在实验中采用Word Net的子集WN11、WN18。以及Freebase的子集FB13、FB15K数据集,这两类数据集为验证知识图谱性能的专用数据集。通过实验结果可以得出,改进后的推理更新算法在补全缺失实体、元组分类判定等方面优于原算法。从而证明了本文提出的教育知识图谱的更新补全算法的可行性和优越性。
【图文】：

模式图,三元,模式,子网

当子网络中实体个数越多计算的复杂度越高，为了便于理解重点研究 3 元模式。假设 A ' = {Teacher(t),Student(s)}， R ' = {Instruct(i),Discuss(d)}，若子网中的点集为'{(),(),()}123V = VtVsVt，边集为 '{(,),(,),(,)}123213E = dVViVVdVV，则如下图 2-2（a）所示。同理，若子网为 '{(),(),()}123V VsVtVs， '{(,),(,),(,)}212313E = iVVdVVdVV则如图 2-1（b）所示。

双向交互,实例,模型,单独实体

图 2-2 Trans E 模型实例，Trans E 可以简单的看做是对一系列的双向交互编码，还体和关系之间存在三种依赖关系的数据建模，模型建立结，在一个小规模的实体属性关系数据集上，与最新的方法 Trans E 算法并没有取得良好的效果。1”的实体关系，，相应的实体投影过程描述如下：首先确.)nh与尾实体集合 (,,...)1 23nT = tttt和投影关系矩阵rM 。将间1R ，其条件为向量 h，t，rh ，rt 的二阶范数，即向量距关系的偏差距离，即为相应的评分函数可以被定义：2(,)||||rrrf ht= h+r trans E 在同一个空间进行距离比对，加强一步在不同空间离为两个关系不紧密的单独实体，为“1-N”，“N-1”或实体分组做准备。习惯上，还需要加强嵌入 h , r,t和映射矩
【学位授予单位】：哈尔滨工程大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP311.13;G254

【参考文献】