基于知识图谱的节点影响传播算法研究

发布时间：2020-10-31 14:23

　　知识图谱(Knowledge Graph)是人工智能领域的知识库,是可以将知识与结构都进行展示的新的表示方法。不仅仅可以描述知识的各类实体,以及对应的相关释义,还可以描述各个实体之间存在的各类关联关系。早在2012年5月份,Google就推出了知识图谱(Google Knowledge Graph),并且,将其应用到了 Google搜索中,以进一步优化搜索结果。自此,也开启了大规模研究知识图谱的研究热潮。互联网、大数据、人工智能等发展迅猛,对当前人类的生活方式、交流方式、信息方式等产生了巨大的变化,对信息交流以及信息的传播方式也产生了极大的影响。知识图谱由于其特性,内部承载了大量的信息,而且,知识图谱自身也在不断完善,逐渐构建出了一个巨大的关系图谱网络。深入研究基于知识图谱的价值传播将是人类关注、研究和探索的热点问题之一。本文的主要工作内容和改进之处如下:首先,对节点重要性进行了分析,之后对经典传染病传播模型进行了分析,发现经典传染病模型只是信息传播的宏观描述,并未在微观角度对网络的信息传播进行分析描述。本文通过基于图模型的消息传递方法,对构建的知识图谱模型,通过消息传播,将各个节点的概率分布状态按照一定的方式传递给相邻的节点,经过多次迭代收敛,最终得到各个节点的概率分布状态。其次,从网络传播的角度,深入分析了网络传播过程中真实网络传播效应,发现实际网络的传播往往是从某个节点引发传播,并且首先在社团内进行传播,然后在社团间进行传播。因此在进行消息传递过程中,本文将社团传递效应考虑在内,改进现有传播方法。最后,在上述模型的基础之上,设计了对比试验,在给定知识图谱结构数据集上分别采用改进后的社团内的传染病模型、改进后的社团间的传染病模型、改进后的社团内的置信传播、改进后的社团间的置信传播模型来进行实验分析比较。通过实验对比分析,本文基于社团结构的传染病模型,能在宏观角度更符合真实网络的传播方式,且基于社团效应的图模型置信传播方式,能在微观角度对图谱传播过程作出更详细描述。除此之外,相比与原始的的两种经典传播方式,本文结合社团的方式所得到的传播效应在一定程度上更符合实际网络的传播过程,具有一定的可用性和有效性。
【学位单位】：中国科学院大学(中国科学院人工智能学院)
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP18;G353.1
【部分图文】：

因子图,贝叶斯网络

ｘ２，ｘ３，．．．，ｘｎ）?＝?Ｗ］ｊ＝１ｆ｛Ｘｊ）?（２．２４）??如图２．５所示，其所对应的全局函可以通过如下公式（２．２５）计算得??出：??沒（１１，尤２，叉３）?＝?／＾（文１，尤２）／６〇＾１），０（尤２，尤３）／〇（尤３）?（２．２５）??Ｘ丨?ｘ２?ｘ３??＾Ｋ＼！＼??Ａ?Ｂ?Ｃ?Ｄ??图２．５因子图??Ｆｉｇｕｒｅ?２．５?Ｆａｃｔｏｒ?ｇｒａｐｈ??（２）贝叶斯网络??贝叶斯网络［６Ｑ］的理论基础除了图论知识外，另外一个就是概率论与数理统计，??它是由美国人Ｊ．Ｐｅａｒｌ最早提出的，是－？种基于概率推理的网络［６１１，该模型可以用有??向无环图来表示，其中贝叶斯公式是整个网络的理论核心。贝叶斯网络实质是一??个能够很好解决不确定性现象的网络模型，因此贝叶斯网络的应用范围相当广泛，??在模式识别和机器学习，医疗诊断，信息论与编码，智能检测等诸多领域都取得广??良好的效果，是目前学术界的研宄热点之一［６２１。??贝叶斯网络

无向图,贝叶斯网络,马尔科夫随机场

Ｐ（Ｎ）?＝?Ｐ（Ｎ１，Ｎ２，…，Ｎｍ）?＝?ＵＴ＾ＰｉＮｉｌｐａｒｅｎｔｉＮｉ））?（２．２６）??例如，图２．６中的贝叶斯网络的联合概率可以通过如下公式（２．２７）计算获得：??Ｐ（Ａ，?Ｂ，?Ｃ，?Ｄ，?Ｅ，?Ｆ，?Ｇ）?＝?Ｐ｛Ａ）Ｐ｛Ｃ）Ｐ｛Ｂ＼Ａ）Ｐ｛Ｄ＼Ｂ，?Ｃ）Ｐ（，Ｅ＼Ｄ）Ｐ（Ｆ＼Ｄ）Ｐ（Ｇ＼Ｄ）?（２．２７）??Ａ??Ｂ?Ｃ??、一＇＼?／??Ｄ??Ｅ?Ｆ?Ｇ??、、ｙ?＾?、、、＿?Ｊ??图２．６贝叶斯网络??Ｆｉｇｕｒｅ?２．６?Ｂａｙｅｓｉａｎ?Ｎｅｔｗｏｒｋ??（３）马尔科夫随机场??马尔科夫随机场（Ｍａｒｋｏｖ?Ｒａｎｄｏｍ?Ｆｉｅｌｄ，?ＭＲＦ），简称随机场［６４］，它是基于独立??随机试验理论，用于描述离散系统的一种无向图模型［６５］。马尔科夫随机场理论是??俄国著名学者马尔科夫率先提出来的，因此也就使用他的名字来命名。目前马尔??科夫随机场主要应用于图像识别，纹理分析，运动目标检测等图像处理的重要应用??场合，有力推动了图像处理技术的发展［６６］。??在介绍马尔科夫随机场的定义前，首先简要介绍几个概念［６７］：??（１Ｍ立置集合Ｓ：?Ｓ代表的是抽象位置

无向图,马尔可夫随机场模型,马尔科夫随机场