CN107885760A - 一种基于多种语义的知识图谱表示学习方法 - Google Patents

一种基于多种语义的知识图谱表示学习方法 Download PDF

Info

Publication number
CN107885760A
CN107885760A CN201611189576.2A CN201611189576A CN107885760A CN 107885760 A CN107885760 A CN 107885760A CN 201611189576 A CN201611189576 A CN 201611189576A CN 107885760 A CN107885760 A CN 107885760A
Authority
CN
China
Prior art keywords
entity
relation
mrow
msub
vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201611189576.2A
Other languages
English (en)
Other versions
CN107885760B (zh
Inventor
常亮
栗永芳
祝曼丽
古天龙
徐周波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN201611189576.2A priority Critical patent/CN107885760B/zh
Publication of CN107885760A publication Critical patent/CN107885760A/zh
Application granted granted Critical
Publication of CN107885760B publication Critical patent/CN107885760B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis

Abstract

本发明公开一种基于多种语义的知识图谱表示学习方法，首先考虑了关系的不同语义，采用实体向量与关系向量之间基于翻译的模型，利用三元组结构中关系的不同语义并结合头尾实体的投影向量定义关系矩阵，并很好地表示了三元组中实体向量与关系向量之间的相互关联，且无须引入更多的参数；然后利用损失函数将实体向量和关系向量关联起来，并优化该损失函数，当达到优化目标时，就可以学得知识图谱中每个实体的向量和关系的向量。本发明解决了知识库中实体和关系的异质性和不平衡性，更精确地表示实体和关系及其之间的相互联系，并将其应用于大规模知识图谱中。

Description

一种基于多种语义的知识图谱表示学习方法
技术领域
本发明涉及知识图谱技术领域，具体涉及一种基于多种语义的知识图谱表示学习方法。
背景技术
随着当今社会迅猛发展，我们逐渐进入一个信息化，智能化时代。海量新的数据和信息每天都以不同的形式产生。移动互联网已成为当今社会最有效便捷的信息获取平台，用户对真实信息获取的需求日益迫切，如何从海量数据中获取有效信息已成为众多领域面临的主要难题。知识图谱由此应运而生。
知识图谱作为一种新的知识表示方法，属于语义网范畴，其目标是描述真实世界中存在的各种实体和概念，以及这些实体、概念之间的关联，捕捉并呈现领域概念之间的语义关系知识图谱主要采用(实体1，关系，实体2)三元组形式表示知识，实体表示现实世界中存在的事物或抽象概念，在知识图谱中用结点表示，关系表示实体与实体之间存在着某种联系，用结点与节点之间的有向连线表示。例如，曹雪芹是红楼梦的作者这一事实，在知识图谱中即可用三元组关系(曹雪芹，是……作者，红楼梦)来表示。知识图谱能够消除语言多异性的干扰，并且能对目标实体及其相关实体之间建立更深层的内在联系，目前被广泛用于信息检索、数据挖掘，数据分析等众多领域。现有的知识图谱规模已十分庞大，但信息每天都在变化与增加，因此用更有效的方法对知识图谱进行表示，补全与推理是当下重要的研究热点。
大规模知识图谱稀疏性严重。而近年来，以深度学习为代表的表示学习异军突起，在语音识别、图像分析及自然语言处理等众多领域广受关注。表示学习的目标是，通过机器学习将研究对象的语义信息表示为稠密低维度的实值向量，该向量的表示是一种分布式表示。利用实体的分布式表示我们可以快速计算实体间的语义相似度并且可以有效地补全知识图谱。知识表示学习实现了对实体和关系的分布式表示，显著提升了计算效率，效缓解数据稀疏问题并且可以实现异质信息的融合。然而，现有知识表示学习方法有些过于简单无法很好地表示知识图谱中的实体和关系，有些过于复杂无法将其应用于大规模知识图谱中，现有知识库中实体和关系的异质性和不平衡性是制约知识表示学习的难题。
发明内容
本发明所要解决的是现有知识图谱表示学习方法所存在的无法精确表示关系的不同语义下实体之间的联系的的问题，提供一种基于多种语义的知识图谱表示学习方法，以提高知识图谱的精确度。
为解决上述问题，本发明是通过以下技术方案实现的：
一种基于多种语义的知识图谱表示学习方法，包括如下步骤：
步骤1、根据关系的不同语义定义关系矩阵，通过关系矩阵定义达分函数来表示知识图谱中实体与关系之间的相互关联；
步骤11、定义优化目标为：
hMr+r＝tMr
其中，Mr＝αMh+(1-α)Mt；h表示头实体，t表示尾实体，r表示头实体h和尾实体t的关系，Mr是关系矩阵，Mh是根据头实体定义的投影矩阵，Mt是根据尾实体定义的投影矩阵，α是用来确定关系矩阵的参数；
步骤12、利用实体向量与关系向量之间基于翻译的模型，定义衡量关系和实体对之间相互关联的达分函数；
步骤2、通过损失函数将实体向量与关系向量和关系矩阵联系起来，并最小化损失函数，以学习关系的不同语义下实体向量和关系向量，达到优化目标；
步骤21、定义损失函数为：
其中，[f(h,r,t)+γ-f(h′,r,t′)]+＝max(0,f(h,r,t)+γ-f(h′,r,t′))；γ为设定的边界值；(h,r,t)表示知识图谱的三元组即正例元组，h表示头实体，t表示尾实体，r表示头实体h和尾实体t的关系，f(h,r,t)表示正例三元组的关联函数，S(h,r,t)表示正例三元组集合；(h′,r,t′)表示随机替换掉头实体h和尾实体t所构建的负例三元组，f(h′,r,t′)表示负例三元组的关联函数，S′(h,r,t)表示负例三元组集合；
步骤22、最小化损失函数，学习得到知识图谱中每个实体向量和关系向量及其之间的相互联系。
步骤11中，参数α的取值范围为α∈(0,1)。
步骤12中，实体向量与关系向量之间基于翻译的模型为TransE或TransH。
当采用的是TransE的能量函数时，则达分函数f为：
当采用的是TransH的能量函数时，那么达分函数f为：
其中，(h,r,t)表示知识图谱的三元组即正例三元组，h表示头实体，t表示尾实体，r表示头实体h和尾实体t的关系，Mr是关系矩阵，lhr为头实体h沿超平面的法向量投影到对应关系r对应的超平面上的头实体向量，ltr为尾实体t沿超平面的法向量投影到对应关系r对应的超平面上的尾实体向量，lr为关系空间中关系r对应的关系向量，L1为L1距离，L2为L2距离。
步骤22中，采用随机梯度下降方法最小化损失函数。
本发明首先考虑了关系的不同语义，采用实体向量与关系向量之间基于翻译的模型，利用三元组结构中关系的不同语义并结合头尾实体的投影向量定义关系矩阵，并很好地表示了三元组中实体向量与关系向量之间的相互关联，且无须引入更多的参数；然后利用损失函数将实体向量和关系向量关联起来，并优化该损失函数，当达到优化目标时，就可以学得知识图谱中每个实体的向量和关系的向量。本发明解决了知识库中实体和关系的异质性和不平衡性，更精确地表示实体和关系及其之间的相互联系，并将其应用于大规模知识图谱中。
与现有技术相比，本发明提出了根据知识图谱三元组结构中基于关系的不同语义的知识图谱表示学习方法，解决了现有技术中实体和关系的异质性和不平衡性，以及参数过多计算过于复杂而无法很好的表示知识图谱中的实体和关系及其之间的相互联系以及不能很好地应用于大规模知识图谱中的问题，具有良好的实用性。
附图说明
图1为知识图谱中实体和关系三元组的示例图。
图2为本发明知识图谱表示学习方法的流程示意图。
图3a为根据现有知识图谱表示学习方法得到的三元组表示知识的示例图。
图3b为根据本发明知识图谱表示学习方法得到的三元组表示知识的示例图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将参照并举例，对本发明做更加详细的说明。
现有技术中，仅考虑了相同语义的关系类型下的实体和关系之间的区别，并没有充分地考虑三元组结构信息中关系的不同语义，且学习参数较多，因此无法精确地表示实体和关系之间的联系也不能很好地将其应用于大规模知识图谱中。本发明充分考虑了知识图谱的三元组结构信息中的关系的不同语义，并根据关系的不同语义定义关系矩阵Mr。并采用典型的(实体1，关系，实体2)三元组的形式来表示知识，关系用来连接两个实体，刻画两个实体之间的关联。图1为知识图谱中典型三元组的示例图。其中，圆圈表示的节点“手”、“北京”及“身体”、“中国”等都为实体，连边表示的连边“部分”为关系。
一种基于多种语义的知识图谱表示学习方法，如图2所示，包括如下步骤：
步骤1、根据关系的不同语义定义关系矩阵Mr，通过关系矩阵定义达分函数来表示实体与关系之间的相互关联。
步骤11、定义优化目标hMr+r＝tMr，其中Mr＝αMh+(1-α)Mt；
其中，Mr是关系矩阵，Mh是根据头实体定义的投影矩阵，Mt是根据尾实体定义的投影矩阵，α是用来确定关系矩阵的一个参数；α的取值范围为α∈(0,1)。
步骤12、利用实体向量与关系向量之间基于翻译的模型，定义衡量关系r和实体对(h,t)之间相互关联的达分函数f。
实体向量与关系向量之间基于翻译的模型有多种，例如，TransE和TransH等。
如果采用的是TransE的能量函数，那么达分函数f可以定义为：
如果采用的是TransH的能量函数，那么达分函数f可以定义为：
其中，(h,r,t)表示知识图谱的三元组即正例三元组，h表示头实体，t表示尾实体，r表示头实体h和尾实体t的关系，Mr是关系矩阵，lhr和ltr分别为头实体h和尾实体t沿超平面的法向量投影到对应关系r对应的超平面上的头实体向量和尾实体向量，lr为关系空间中关系r对应的关系向量，L1为L1距离，L2为L2距离。
步骤2、通过损失函数将实体向量与关系向量和关系矩阵联系起来，并最小化损失函数，以学习关系的不同语义下实体向量和关系向量，达到优化目标。
步骤21、定义损失函数为：
其中，[f(h,r,t)+γ-f(h′,r,t′)]+＝max(0,f(h,r,t)+γ-f(h′,r,t′))；γ为设定的边界值；(h,r,t)表示知识图谱的三元组即正例元组，h表示头实体，t表示尾实体，r表示头实体h和尾实体t的关系，f(h,r,t)表示正例三元组的关联函数，S(h,r,t)表示正例三元组集合；(h′,r,t′)表示随机替换掉头实体h和尾实体t所构建的负例三元组，f(h′,r,t′)表示负例三元组的关联函数，S′(h,r,t)表示负例三元组集合。
步骤22、最小化所述损失函数，学习得到知识图谱中每个实体向量和关系向量及其之间的相互联系，最小化损失函数可采用随机梯度下降等方法。
需要说明的是，最小化损失函数的过程即为最小化达分函数的过程，且最小化的过程就是达到优化目标的过程。假定实体与关系三元组关联函数中的f采用的是TransE模型中的能量函数，那么最小化损失函数的过程中，当关系r的类型为简单关系类型1-1或复杂关系类型1-N，N-1，N-N时，通过不断调整h、t和r，使h+r尽可能与t相等。
由此方法学习并得到关系的不同语义下知识图谱中的每个实体向量和关系向量及其之间的相互联系，并且考虑关系的不同语义后的模型更加精确有效。
图3a为根据现有的知识图谱表示学习方法得到的三元组表示知识的示例图。图3a中，没有考虑知识图谱三元组结构中关系的不同语义，由于手+部分＝身体，同时北京+部分＝中国，因此最后得出手和北京相等，身体和中国相等，但实际上，手和北京，身体和中国在属性等其他方面还有很大的区别。图3b为依据本发明一种精确的知识图谱表示学习方法得到的三元组表示知识的示例图。图3b中，考虑了知识图谱三元组结构中的关系的不同语义，当关系为生物中身体构造的一部分时，头实体和尾实体对应为手和身体，当关系语义为地理中位置的包含关系时，头实体和尾实体可区分为北京和中国。由此可见，本发明的知识图谱表示学习方法，解决了实体和关系的异质性和不平衡性，且可以在不增加任何参数的情况下精确地表示出实体与关系之间的相互联系并将其应用到大规模知识图谱中。
本发明提供了一种基于多种语义的知识图谱表示学习方法，该方法包括：利用实体向量与关系向量之间基于翻译的模型，定义头实体映射到关系空间的投影矩阵Mh,尾实体映射到关系空间的投影矩阵Mt，通过区分关系的不同语义，定义一个关系矩阵Mr,通过达分函数将实体向量和关系向量关联起来，并最小化达分函数，达到优化目标。通过区分关系的不同语义，解决知识库中实体和关系的异质性和不平衡性，更精确地表示实体和关系及其之间的相互联系，并将其应用于大规模知识图谱中。
以上所述仅为本发明的较佳实施案例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换以及改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于多种语义的知识图谱表示学习方法，其特征是，包括如下步骤：
步骤1、根据关系的不同语义定义关系矩阵，通过关系矩阵定义达分函数来表示知识图谱中实体与关系之间的相互关联；
步骤11、定义优化目标为：
hMr+r＝tMr
其中，Mr＝αMh+(1-α)Mt；h表示头实体，t表示尾实体，r表示头实体h和尾实体t的关系，Mr是关系矩阵，Mh是根据头实体定义的投影矩阵，Mt是根据尾实体定义的投影矩阵，α是用来确定关系矩阵的参数；
步骤12、利用实体向量与关系向量之间基于翻译的模型，定义衡量关系和实体对之间相互关联的达分函数；
步骤2、通过损失函数将实体向量与关系向量和关系矩阵联系起来，并最小化损失函数，以学习关系的不同语义下实体向量和关系向量，达到优化目标；
步骤21、定义损失函数为：
<mrow> <mi>L</mi> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mo>(</mo> <mi>h</mi> <mo>,</mo> <mi>r</mi> <mo>,</mo> <mi>t</mi> <mo>)</mo> <mo>&amp;Element;</mo> <mi>S</mi> <mo>(</mo> <mi>h</mi> <mo>,</mo> <mi>r</mi> <mo>,</mo> <mi>t</mi> <mo>)</mo> </mrow> </munder> <munder> <mo>&amp;Sigma;</mo> <mrow> <mo>(</mo> <msup> <mi>h</mi> <mo>&amp;prime;</mo> </msup> <mo>,</mo> <mi>r</mi> <mo>,</mo> <msup> <mi>t</mi> <mo>&amp;prime;</mo> </msup> <mo>)</mo> <mo>&amp;Element;</mo> <msup> <mi>S</mi> <mo>&amp;prime;</mo> </msup> <mo>(</mo> <mi>h</mi> <mo>,</mo> <mi>r</mi> <mo>,</mo> <mi>t</mi> <mo>)</mo> </mrow> </munder> <msub> <mrow> <mo>&amp;lsqb;</mo> <mi>f</mi> <mrow> <mo>(</mo> <mi>h</mi> <mo>,</mo> <mi>r</mi> <mo>,</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <mi>&amp;gamma;</mi> <mo>-</mo> <mi>f</mi> <mrow> <mo>(</mo> <msup> <mi>h</mi> <mo>&amp;prime;</mo> </msup> <mo>,</mo> <mi>r</mi> <mo>,</mo> <msup> <mi>t</mi> <mo>&amp;prime;</mo> </msup> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mo>+</mo> </msub> </mrow>
其中，[f(h,r,t)+γ-f(h′,r,t′)]+＝max(0,f(h,r,t)+γ-f(h′,r,t′))；γ为设定的边界值；(h,r,t)表示知识图谱的三元组即正例元组，h表示头实体，t表示尾实体，r表示头实体h和尾实体t的关系，f(h,r,t)表示正例三元组的关联函数，S(h,r,t)表示正例三元组集合；(h′,r,t′)表示随机替换掉头实体h和尾实体t所构建的负例三元组，f(h′,r,t′)表示负例三元组的关联函数，S′(h,r,t)表示负例三元组集合；
步骤22、最小化损失函数，学习得到知识图谱中每个实体向量和关系向量及其之间的相互联系。
2.根据权利要求1所述的一种基于多种语义的知识图谱表示学习方法，其特征是，步骤11中，参数α的取值范围为α∈(0,1)。
3.根据权利要求1所述的一种基于多种语义的知识图谱表示学习方法，其特征是，步骤12中，实体向量与关系向量之间基于翻译的模型为TransE或TransH。
4.根据权利要求3所述的一种基于多种语义的知识图谱表示学习方法，其特征是，
当采用的是TransE的能量函数时，则达分函数f为：
<mrow> <mi>f</mi> <mrow> <mo>(</mo> <mi>h</mi> <mo>,</mo> <mi>r</mi> <mo>,</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>hM</mi> <mi>r</mi> </msub> <mo>+</mo> <mi>r</mi> <mo>-</mo> <msub> <mi>tM</mi> <mi>r</mi> </msub> <mo>|</mo> <mo>|</mo> </mrow> <mrow> <msub> <mi>L</mi> <mn>1</mn> </msub> <mo>/</mo> <msub> <mi>L</mi> <mn>2</mn> </msub> </mrow> </msub> <mo>;</mo> </mrow>
当采用的是TransH的能量函数时，那么达分函数f为：
<mrow> <mi>f</mi> <mrow> <mo>(</mo> <mi>h</mi> <mo>,</mo> <mi>r</mi> <mo>,</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mrow> <mo>|</mo> <mo>|</mo> <msub> <mrow> <msub> <mi>l</mi> <mi>hr</mi> </msub> <mi>M</mi> </mrow> <mi>r</mi> </msub> <mo>+</mo> <msub> <mi>l</mi> <mi>r</mi> </msub> <mo>-</mo> <msub> <mi>l</mi> <mi>tr</mi> </msub> <msub> <mi>M</mi> <mi>r</mi> </msub> <mo>|</mo> <mo>|</mo> </mrow> <mrow> <msub> <mi>L</mi> <mn>1</mn> </msub> <mo>/</mo> <msub> <mi>L</mi> <mn>2</mn> </msub> </mrow> </msub> <mo>;</mo> </mrow>
其中，(h,r,t)表示知识图谱的三元组即正例三元组，h表示头实体，t表示尾实体，r表示头实体h和尾实体t的关系，Mr是关系矩阵，lhr为头实体h沿超平面的法向量投影到对应关系r对应的超平面上的头实体向量，ltr为尾实体t沿超平面的法向量投影到对应关系r对应的超平面上的尾实体向量，lr为关系空间中关系r对应的关系向量，L1为L1距离，L2为L2距离。
5.根据权利要求1所述的一种基于多种语义的知识图谱表示学习方法，其特征是，步骤22中，采用随机梯度下降方法最小化损失函数。
CN201611189576.2A 2016-12-21 2016-12-21 一种基于多种语义的知识图谱表示学习方法 Active CN107885760B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611189576.2A CN107885760B (zh) 2016-12-21 2016-12-21 一种基于多种语义的知识图谱表示学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611189576.2A CN107885760B (zh) 2016-12-21 2016-12-21 一种基于多种语义的知识图谱表示学习方法

Publications (2)

Publication Number Publication Date
CN107885760A true CN107885760A (zh) 2018-04-06
CN107885760B CN107885760B (zh) 2021-06-08

Family

ID=61768970

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611189576.2A Active CN107885760B (zh) 2016-12-21 2016-12-21 一种基于多种语义的知识图谱表示学习方法

Country Status (1)

Country Link
CN (1) CN107885760B (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109033129A (zh) * 2018-06-04 2018-12-18 桂林电子科技大学 基于自适应权重的多源信息融合知识图谱表示学习方法
CN109063021A (zh) * 2018-07-12 2018-12-21 浙江大学 一种能够编码关系语义多样性结构的知识图谱分布式表示方法
CN109213872A (zh) * 2018-09-11 2019-01-15 中国电子科技集团公司第二十八研究所 基于知识表示学习的实体关系预测方法及预测系统
CN109634939A (zh) * 2018-12-28 2019-04-16 中国农业银行股份有限公司 一种缺失值的确定方法、装置及电子设备
CN109670190A (zh) * 2018-12-25 2019-04-23 北京百度网讯科技有限公司 翻译模型构建方法和装置
CN109753571A (zh) * 2019-01-11 2019-05-14 中山大学 一种基于二次主题空间投影的场景图谱低维空间嵌入方法
CN109783666A (zh) * 2019-01-11 2019-05-21 中山大学 一种基于迭代精细化的图像场景图谱生成方法
CN110069638A (zh) * 2019-03-12 2019-07-30 北京航空航天大学 一种结合规则和路径的知识图谱组合表示学习方法
CN110188208A (zh) * 2019-06-04 2019-08-30 河海大学 一种基于知识图谱的信息资源查询推荐方法和系统
CN110334219A (zh) * 2019-07-12 2019-10-15 电子科技大学 基于注意力机制融入文本语义特征的知识图谱表示学习方法
WO2020020085A1 (zh) * 2018-07-24 2020-01-30 华为技术有限公司 表示学习方法及装置
CN110909172A (zh) * 2019-10-22 2020-03-24 中国船舶重工集团公司第七0九研究所 一种基于实体距离的知识表示学习方法
CN110968698A (zh) * 2018-09-29 2020-04-07 上海博泰悦臻网络技术服务有限公司 基于知识图谱的用户用车体验调研方法、系统和云服务器
CN111160557A (zh) * 2019-12-27 2020-05-15 浙江大学 一种基于双代理增强学习路径搜索的知识表示学习方法
CN111339320A (zh) * 2020-03-02 2020-06-26 北京航空航天大学 一种引入实体类型自动化表示的知识图谱嵌入与推理方法
CN112287126A (zh) * 2020-12-24 2021-01-29 中国人民解放军国防科技大学 一种适于多模态知识图谱的实体对齐方法及设备
CN115861715A (zh) * 2023-02-15 2023-03-28 创意信息技术股份有限公司 基于知识表示增强的图像目标关系识别算法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2635592A1 (en) * 2006-01-03 2007-07-12 Siperian, Inc. Searching, filtering, creating, displaying, and managing entity relationships across multiple data hierarchies through a user interface
CN105630901A (zh) * 2015-12-21 2016-06-01 清华大学 一种知识图谱表示学习方法
CN105824802A (zh) * 2016-03-31 2016-08-03 清华大学 一种获取知识图谱向量化表示的方法以及装置
CN105912656A (zh) * 2016-04-07 2016-08-31 桂林电子科技大学 一种商品知识图谱的构建方法
US9436760B1 (en) * 2016-02-05 2016-09-06 Quid, Inc. Measuring accuracy of semantic graphs with exogenous datasets

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2635592A1 (en) * 2006-01-03 2007-07-12 Siperian, Inc. Searching, filtering, creating, displaying, and managing entity relationships across multiple data hierarchies through a user interface
CN105630901A (zh) * 2015-12-21 2016-06-01 清华大学 一种知识图谱表示学习方法
US9436760B1 (en) * 2016-02-05 2016-09-06 Quid, Inc. Measuring accuracy of semantic graphs with exogenous datasets
CN105824802A (zh) * 2016-03-31 2016-08-03 清华大学 一种获取知识图谱向量化表示的方法以及装置
CN105912656A (zh) * 2016-04-07 2016-08-31 桂林电子科技大学 一种商品知识图谱的构建方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
GUOLIANG JI等: "Knowledge Graph Embedding via Dynamic Mapping Matrix", 《MEETING OF THE ASSOCIATION FOR COMPUTATIONAL LINGUISTICS & THE INTERNATIONAL JOINT CONFERENCE ON NATURAL LANGUAGE PROCESSING》 *
LIANG CHANG等: "A family of dynamic description logics for representing and reasoning about actions", 《SPRINGER》 *
刘知远等: "知识表示学习研究进展", 《计算机研究与发展》 *

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109033129B (zh) * 2018-06-04 2021-08-03 桂林电子科技大学 基于自适应权重的多源信息融合知识图谱表示学习方法
CN109033129A (zh) * 2018-06-04 2018-12-18 桂林电子科技大学 基于自适应权重的多源信息融合知识图谱表示学习方法
CN109063021A (zh) * 2018-07-12 2018-12-21 浙江大学 一种能够编码关系语义多样性结构的知识图谱分布式表示方法
WO2020020085A1 (zh) * 2018-07-24 2020-01-30 华为技术有限公司 表示学习方法及装置
CN109213872A (zh) * 2018-09-11 2019-01-15 中国电子科技集团公司第二十八研究所 基于知识表示学习的实体关系预测方法及预测系统
CN110968698A (zh) * 2018-09-29 2020-04-07 上海博泰悦臻网络技术服务有限公司 基于知识图谱的用户用车体验调研方法、系统和云服务器
CN110968698B (zh) * 2018-09-29 2022-07-29 上海博泰悦臻网络技术服务有限公司 基于知识图谱的用户用车体验调研方法、系统和云服务器
CN109670190A (zh) * 2018-12-25 2019-04-23 北京百度网讯科技有限公司 翻译模型构建方法和装置
CN109670190B (zh) * 2018-12-25 2023-05-16 北京百度网讯科技有限公司 翻译模型构建方法和装置
CN109634939A (zh) * 2018-12-28 2019-04-16 中国农业银行股份有限公司 一种缺失值的确定方法、装置及电子设备
CN109753571A (zh) * 2019-01-11 2019-05-14 中山大学 一种基于二次主题空间投影的场景图谱低维空间嵌入方法
CN109783666B (zh) * 2019-01-11 2023-05-23 中山大学 一种基于迭代精细化的图像场景图谱生成方法
CN109783666A (zh) * 2019-01-11 2019-05-21 中山大学 一种基于迭代精细化的图像场景图谱生成方法
CN109753571B (zh) * 2019-01-11 2022-04-19 中山大学 一种基于二次主题空间投影的场景图谱低维空间嵌入方法
CN110069638A (zh) * 2019-03-12 2019-07-30 北京航空航天大学 一种结合规则和路径的知识图谱组合表示学习方法
CN110188208A (zh) * 2019-06-04 2019-08-30 河海大学 一种基于知识图谱的信息资源查询推荐方法和系统
CN110188208B (zh) * 2019-06-04 2021-01-26 河海大学 一种基于知识图谱的信息资源查询推荐方法和系统
CN110334219A (zh) * 2019-07-12 2019-10-15 电子科技大学 基于注意力机制融入文本语义特征的知识图谱表示学习方法
CN110909172B (zh) * 2019-10-22 2022-08-16 中国船舶重工集团公司第七0九研究所 一种基于实体距离的知识表示学习方法
CN110909172A (zh) * 2019-10-22 2020-03-24 中国船舶重工集团公司第七0九研究所 一种基于实体距离的知识表示学习方法
CN111160557B (zh) * 2019-12-27 2023-04-18 浙江大学 一种基于双代理增强学习路径搜索的知识表示学习方法
CN111160557A (zh) * 2019-12-27 2020-05-15 浙江大学 一种基于双代理增强学习路径搜索的知识表示学习方法
CN111339320B (zh) * 2020-03-02 2021-03-26 北京航空航天大学 一种引入实体类型自动化表示的知识图谱嵌入与推理方法
CN111339320A (zh) * 2020-03-02 2020-06-26 北京航空航天大学 一种引入实体类型自动化表示的知识图谱嵌入与推理方法
CN112287126A (zh) * 2020-12-24 2021-01-29 中国人民解放军国防科技大学 一种适于多模态知识图谱的实体对齐方法及设备
CN115861715A (zh) * 2023-02-15 2023-03-28 创意信息技术股份有限公司 基于知识表示增强的图像目标关系识别算法
CN115861715B (zh) * 2023-02-15 2023-05-09 创意信息技术股份有限公司 基于知识表示增强的图像目标关系识别算法

Also Published As

Publication number Publication date
CN107885760B (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
CN107885760A (zh) 一种基于多种语义的知识图谱表示学习方法
CN109299284B (zh) 一种基于结构信息与文本描述的知识图谱表示学习方法
CN106484664B (zh) 一种短文本间相似度计算方法
CN108509425A (zh) 一种基于新颖度的中文新词发现方法
CN107480125B (zh) 一种基于知识图谱的关系链接方法
CN109033129A (zh) 基于自适应权重的多源信息融合知识图谱表示学习方法
CN103514201B (zh) 一种非关系型数据库的数据查询方法和装置
CN107526799A (zh) 一种基于深度学习的知识图谱构建方法
CN109255033A (zh) 一种基于位置服务领域的知识图谱的推荐方法
CN107895028B (zh) 采用深度学习的草图检索方法
CN104199842B (zh) 一种基于局部特征邻域信息的相似图片检索方法
CN102402561B (zh) 一种搜索方法和装置
CN103425757A (zh) 融合多模态信息的跨媒体人物新闻检索方法与系统
CN108052683B (zh) 一种基于余弦度量规则的知识图谱表示学习方法
CN108647258A (zh) 一种基于实体关联性约束的表示学习方法
CN113360582A (zh) 基于bert模型融合多元实体信息的关系分类方法及系统
CN109522415A (zh) 一种语料标注方法及装置
CN107861965A (zh) 数据智能识别方法及系统
CN103064907A (zh) 基于无监督的实体关系抽取的主题元搜索系统及方法
CN104636492B (zh) 一种基于模糊积分特征融合的动态数据分级方法
CN109857892A (zh) 基于类标传递的半监督跨模态哈希检索方法
CN111339258B (zh) 基于知识图谱的大学计算机基础习题推荐方法
CN112148735A (zh) 一种用于结构化表格数据知识图谱的构建方法
CN106933844B (zh) 面向大规模rdf数据的可达性查询索引的构建方法
CN103714178A (zh) 一种基于词间相关性的图像自动标注方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20180406

Assignee: GUANGXI XINKAI ZHIQUAN TECHNOLOGY Co.,Ltd.

Assignor: GUILIN University OF ELECTRONIC TECHNOLOGY

Contract record no.: X2023980045064

Denomination of invention: A Learning Method for Knowledge Graph Representation Based on Multiple Semantics

Granted publication date: 20210608

License type: Common License

Record date: 20231101

EE01 Entry into force of recordation of patent licensing contract