多源知识融合技术研究综述

发布时间：2021-06-28 11:37

　　多源知识融合的研究成果有助于计算机更好地理解人类的智能、人类语言以及人类思维,可以有效地促进网络空间大搜索,有效地促进领域知识图谱的构建,具有巨大的社会经济效益.由于知识获取的不确定性,基于实体识别和关系抽取技术构建的知识图谱,其知识的可靠性和置信度都有待评估,一方面,多源知识推理的过程可以检测冲突,为知识评估和验证提供帮助;另一方面,由知识推理得到的新知识也具有不确定性,需要进行评估和验证.多源知识协同推理不仅包括从多源知识中推断出新知识,还包括冲突检测,即识别错误知识或知识间存在的冲突.从多源知识融合的几个相关概念出发,全面介绍了开源知识融合、多知识图谱融合、知识图谱内部信息融合、多模态知识融合和多源知识协同推理的最新研究进展.在此基础上,探讨了大规模知识库环境下多源知识融合的挑战和未来研究方向. 

【文章来源】：云南大学学报(自然科学版). 2020,42(03)北大核心CSCD

【文章页数】：15 页

【部分图文】：

关于LiteralE如何应用于基本评分函数f的说明图

晌谋颈硎鞠?量及结构表示向量组成，其中，文本表示向量的生成过程与边上的邻居相关，所以生成的节点表示也是上下文相关的.通过引入一种相互注意机制（MutualAttention），对节点的结构信息和文本信息进行了融合，从而可以考虑节点的上下文信息，在和不同的节点交互时具有不同的表示.模型在连接预测和节点分类的任务上均取得了比其它模型更好的结果，该工作对于实体消歧具有借鉴意义.Zhang等[36]提出一个基于协同过滤和知识图谱特征学习（CollaborativeKnowledgeBaseEmbedding，CKE）的图1SEEA方法的框架Fig.1TheframeworkoftheproposedSEEAmethod.第42卷赵晓娟等：多源知识融合技术研究综述463

，同时利用更新门和重置门从双向捕获每个数据源的互补性和多样性.然后，将所有隐藏状态作为混合特征连接起来，形成一个新的向量表示，然后将它们输入到全连接层.Bi-RNN[54]用于获得文本表示.前向隐藏层可以得到隐藏的表示，后向隐藏层也可以得到表示.将两种隐层表示融合在一起，然后利用自注意力机制自动为不同的输入指定权重.用户昵称、自我介绍、教育信息、工作信息和个性化标签被视为用户元数据.在连接了元数据的所有元素之后，将它们输入到Bi-RNN层和元数据表示的注意力层图2基于CKE框架的推荐系统流程图Fig.2TheflowchartoftheproposedCollaborativeKnowledgeBaseEmbedding(CKE)frameworkforrecommendersystems图3关于LiteralE如何应用于基本评分函数f的说明图Fig.3OverviewonhowLiteralEisappliedtothebasescoringfunctionf464云南大学学报（自然科学版）http://www.yndxxb.ynu.edu.cn第42卷

【参考文献】：
期刊论文
[1]基于网络语义标签的多源知识库实体对齐算法[J]. 王雪鹏,刘康,何世柱,刘树林,张元哲,赵军.  计算机学报. 2017(03)
[2]多源知识融合处理算法[J]. 周芳,王鹏波,韩立岩.  北京航空航天大学学报. 2013(01)



本文编号：3254248