CN110309321A - 一种基于图谱表示学习的知识表示学习方法 - Google Patents
一种基于图谱表示学习的知识表示学习方法 Download PDFInfo
- Publication number
- CN110309321A CN110309321A CN201910618041.XA CN201910618041A CN110309321A CN 110309321 A CN110309321 A CN 110309321A CN 201910618041 A CN201910618041 A CN 201910618041A CN 110309321 A CN110309321 A CN 110309321A
- Authority
- CN
- China
- Prior art keywords
- entity
- vertex
- label
- relationship
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 238000013507 mapping Methods 0.000 claims abstract description 26
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims 1
- 238000013519 translation Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007739 conversion coating Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000001968 nicotinic acid Nutrition 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于图谱表示学习的知识表示学习方法,其包括以下步骤:S1、基于知识图谱三元组和谓词获取标准图;S2、根据标准图获取知识图谱实体与关系的向量表示;S3、将深度学习分类任务的标签作为目标实体,根据知识图谱实体与关系的向量表示,基于相似性度量计算目标实体间的相似度,得到目标实体的图关联矩阵。本方法结合了实体之间的关系本身包含的信息,并将推理规则融合进来,因此容纳了大量的关联信息,使得学习得到的表示质量更佳。
Description
技术领域
本发明涉及知识图谱表示学习领域,具体涉及一种基于图谱表示学习的知识表示学习方法。
背景技术
传统的知识图谱表示学习方法大多数都基于翻译模型,例如TransE模型将每个三元组实例中的关系看作从头实体到尾实体的翻译,通过数学形式上的约束来对实体和关系建模,将它们映射到相同的向量空间中,这类方法注重实体与实体之间通过关系进行转换的翻译过程,学习得到的表示保留的主要是存在直接关系的实体之间的联系,而没有直接关系的实体之间的语义关联信息丢失严重。后续有很多在此基础上的改进工作,例如将实体和关系映射到不同的空间、结合概念图挖掘语义关系等方法,这类知识图谱表示学习方法能够挖掘的关联关系受目标函数的限制,主要捕获的依然是实体之间的翻译关系,而实体本身的上下文语义关联信息通过这种方式仍然难以捕获。有些工作也尝试在知识图谱中采用图谱表示学习方法,但是这些工作忽略了实体之间的关系本身包含的信息,更没有考虑将推理规则(谓词)融合进来,因此丢失了大量的关联信息,导致学习得到的表示质量不佳。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于图谱表示学习的知识表示学习方法解决了现有知识图谱表示学习方法质量差的问题。
为了达到上述发明目的,本发明采用的技术方案为:
提供一种基于图谱表示学习的知识表示学习方法,其包括以下步骤:
S1、基于知识图谱三元组和谓词获取标准图;
S2、根据标准图获取知识图谱实体与关系的向量表示;
S3、将深度学习分类任务的标签作为目标实体,根据知识图谱实体与关系的向量表示,基于相似性度量计算目标实体间的相似度,得到目标实体的图关联矩阵。
进一步地,步骤S1的具体方法包括以下子步骤:
S1-1、获取知识图谱(H,R,T)和谓词集合U,将((Hi,Rp,Tj),Uf,(Hi,Rq,Tj))表示为实体(Hi,Rp,Tj)与实体(Hi,Rq,Tj)关系之间的推理过程,即推理规则;其中H为头实体集合,Hi∈H;R为尾实体集合,Rp∈R,Rq∈R;T为关系集合,Tj∈T;
S1-2、根据公式
V=H∪T∪R∪U
获取顶点集合V,将头实体、尾实体、关系和谓词均作为标签,按照顶点集合V中的位置统一编号得到标签编号查询表;
S1-3、将用编号表示的三元组(IDH,IDR,IDT)拆分为二元组(IDH,IDR)和二元组(IDR,IDT);其中IDH,IDR和IDT分别为头实体、尾实体和关系的编号;
S1-4、对于存在推理规则的实体,根据其编号生成二元组(IDR,IDU)和二元组(IDU,IDR');其中IDU为推理规则谓词的编号;IDR和IDR'分别为存在推理规则的两个实体的尾实体编号;
S1-5、将得到的所有二元组作为标准图中顶点与顶点之间的关系,并将二元组构成的集合作为标准图的边集,得到标准图。
进一步地,步骤S2的具体方法包括以下子步骤:
S2-1、根据标准图构建邻接矩阵,并将邻接矩阵的每一行作为一个顶点的初始向量表示;
S2-2、采用自编码器对顶点的初始向量表示进行重构得到顶点的低维向量表示,即知识图谱实体与关系的向量表示,并将所有顶点的低维向量表示组合成矩阵Y;其中自编码器包括编码部分和解码部分,编码部分的表达式为:
Yi (1)=σ(W(1)Xi+b(1))
Yi (k)=σ(W(k)Yi (k-1)+b(k)),k=2,3,...,K
K为编码部分中神经网络的层数;W(k)为第k层神经网络的权重;b(k)为第k层神经网络的偏置;σ(·)为激活函数;Xi为第i个顶点的初始向量表示,即邻接矩阵的第i行;Yi (1)为输入为第i个顶点的初始向量对应的第1层神经网络的输出;Yi (k-1)为输入为第i个顶点的初始向量对应的第k-1层神经网络的输出;Yi (k)为输入为第i个顶点的初始向量对应的第k层神经网络的输出;对于第i个顶点的初始向量,编码部分的最终输出为Yi (K),Yi (K)∈Y;解码部分通过最小化解码损失并在损失函数中增加拉普拉斯映射作为约束条件来训练自编码器,解码部分为编码部分的逆操作,用于还原编码内容。
进一步地,步骤S3的具体方法包括以下子步骤:
S3-1、将深度学习分类任务的标签作为目标实体,获取目标实体的标签集L={l1,l2,...,lM},其中M为标签总数;lm为第m类标签,m=1,2,...,M;
S3-2、根据标签集L中的各个标签从标签编号查询表获取对应的标签编号;
S3-3、根据步骤S3-2中获取的标签编号从矩阵Y中获取所有对应标签的向量;
S3-4、计算步骤S3-3中得到的向量之间的欧氏距离,进而得到标签集L中各个标签之间的相似度,并将标签li与标签lj之间的相似度表示为三元组(li,lj,sij),其中sij为标签li与标签lj之间的相似度;
S3-5、以目标实体中的标签为顶点、标签之间的相似度为边构建概率图GL;
S3-6、将概率图GL表示为邻接矩阵G,对邻接矩阵G的每一行进行归一化获取一阶转移矩阵AL 1,进而得到t阶转移矩阵AL t;
S3-7、根据公式
获取目标实体的图关联矩阵GRM;其中w(t)为递减权重函数。
本发明的有益效果为:本发明给出了将知识图谱转化为标准图的途径,将知识图谱中的实体关系均视为标准图中的顶点,此外还采用谓词扩充关联关系,进一步丰富顶点上下文,以便于应用图谱表示学习模型学习得到质量更好的向量表示,将深度学习分类任务的标签作为目标实体,根据知识图谱实体与关系的向量表示,基于相似性度量计算目标实体间的相似度,得到目标实体的图关联矩阵。本方法结合了实体之间的关系本身包含的信息,并将推理规则(谓词)融合进来,因此容纳了大量的关联信息,使得学习得到的表示质量更佳。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,该基于图谱表示学习的知识表示学习方法包括以下步骤:
S1、构建转化层,基于知识图谱三元组和谓词获取标准图;
S2、构建模型层,根据标准图获取知识图谱实体与关系的向量表示;
S3、构建接口层,将深度学习分类任务的标签作为目标实体,根据知识图谱实体与关系的向量表示,基于相似性度量计算目标实体间的相似度,得到目标实体的图关联矩阵。
步骤S1的具体方法包括以下子步骤:
S1-1、获取知识图谱(H,R,T)和谓词集合U,将((Hi,Rp,Tj),Uf,(Hi,Rq,Tj))表示为实体(Hi,Rp,Tj)与实体(Hi,Rq,Tj)关系之间的推理过程,即推理规则;其中H为头实体集合,Hi∈H;R为尾实体集合,Rp∈R,Rq∈R;T为关系集合,Tj∈T;
S1-2、根据公式
V=H∪T∪R∪U
获取顶点集合V,将头实体、尾实体、关系和谓词均作为标签,按照顶点集合V中的位置统一编号得到标签编号查询表;
S1-3、将用编号表示的三元组(IDH,IDR,IDT)拆分为二元组(IDH,IDR)和二元组(IDR,IDT);其中IDH,IDR和IDT分别为头实体、尾实体和关系的编号;
S1-4、对于存在推理规则的实体,根据其编号生成二元组(IDR,IDU)和二元组(IDU,IDR');其中IDU为推理规则谓词的编号;IDR和IDR'分别为存在推理规则的两个实体的尾实体编号;
S1-5、将得到的所有二元组作为标准图中顶点与顶点之间的关系,并将二元组构成的集合作为标准图的边集,得到标准图。
步骤S2的具体方法包括以下子步骤:
S2-1、根据标准图构建邻接矩阵,并将邻接矩阵的每一行作为一个顶点的初始向量表示;
S2-2、采用自编码器对顶点的初始向量表示进行重构得到顶点的低维向量表示,即知识图谱实体与关系的向量表示,并将所有顶点的低维向量表示组合成矩阵Y;其中自编码器包括编码部分和解码部分,编码部分的表达式为:
Yi (1)=σ(W(1)Xi+b(1))
Yi (k)=σ(W(k)Yi (k-1)+b(k)),k=2,3,...,K
K为编码部分中神经网络的层数;W(k)为第k层神经网络的权重;b(k)为第k层神经网络的偏置;σ(·)为激活函数;Xi为第i个顶点的初始向量表示,即邻接矩阵的第i行;Yi (1)为输入为第i个顶点的初始向量对应的第1层神经网络的输出;Yi (k-1)为输入为第i个顶点的初始向量对应的第k-1层神经网络的输出;Yi (k)为输入为第i个顶点的初始向量对应的第k层神经网络的输出;对于第i个顶点的初始向量,编码部分的最终输出为Yi (K),Yi (K)∈Y;解码部分通过最小化解码损失并在损失函数中增加拉普拉斯映射作为约束条件来训练自编码器,解码部分为编码部分的逆操作,用于还原编码内容。
步骤S3的具体方法包括以下子步骤:
S3-1、将深度学习分类任务的标签作为目标实体,获取目标实体的标签集L={l1,l2,...,lM},其中M为标签总数;lm为第m类标签,m=1,2,...,M;
S3-2、根据标签集L中的各个标签从标签编号查询表获取对应的标签编号;
S3-3、根据步骤S3-2中获取的标签编号从矩阵Y中获取所有对应标签的向量;
S3-4、计算步骤S3-3中得到的向量之间的欧氏距离,进而得到标签集L中各个标签之间的相似度,并将标签li与标签lj之间的相似度表示为三元组(li,lj,sij),其中sij为标签li与标签lj之间的相似度;
S3-5、以目标实体中的标签为顶点、标签之间的相似度为边构建概率图GL;
S3-6、将概率图GL表示为邻接矩阵G,对邻接矩阵G的每一行进行归一化获取一阶转移矩阵AL 1,进而得到t阶转移矩阵AL t;
S3-7、根据公式
获取目标实体的图关联矩阵GRM;其中w(t)为递减权重函数。
在具体实施过程中,模型层采用半监督深层模型对标准图进行图谱表示学习,得到实体与关系的表示;其中半监督深层模型采用无监督学习方式重构每个顶点的邻域结构并保留局部特性,采用拉普拉斯映射通过监督学习方式将一阶相似性作为监督信息学习图的全局特性。
由于半监督深层模型层具有高度非线性关系,在参数空间中会存在很多局部最优解,因此本方法采用深度置信网络来对参数进行预训练或者采用莱维飞行的仿生学方法(即将带有衰减的莱维分布)作为学习率的权重跳出局部最优解。采用公式
L=Lauto-encoder+αLlaplaction-eigenmaps+vLreg
获取最小目标函数L;其中Lreg为L2范数正则化项, 为解码部分的权重矩阵;α和v均为调节参数;LAuto-encoder为编码器的损失函数;LLaplacian-eigenmaps为根据相似顶点在重构过程中映射到嵌入空间的距离给以相应的惩罚的损失函数;
Bi为惩罚函数;⊙为哈达马乘积;n为顶点的个数;为自编码器中解码部分还原得到的邻域结构;为L2范数;
j为第j个顶点;Yj (k)为自编码器的最终输出;Xij为第i个顶点和第j个顶点间的连接关系,对应初始邻接矩阵的第i行第j列。
在本发明的一个实施例中,还可以将接口层的输出端与深度学习的Softmax层衔接,Softmax层输出各个标签下的分类概率,目标实体的图关联矩阵GRM反映的先验知识实际上就是根据各个分类标签之间的相似度或者转移概率,将Softmax层输出的概率向量记为H并表示为横向量,将其与目标实体的图关联矩阵GRM相乘得到的结果即各个标签下新的分类概率,其可以直接影响最终的分类结果进而影响损失函数的计算,故相乘结果可作为分类结果。
综上所述,本发明给出了将知识图谱转化为标准图的途径,将知识图谱中的实体关系均视为标准图中的顶点,此外还采用谓词扩充关联关系,进一步丰富顶点上下文,以便于应用图谱表示学习模型学习得到质量更好的向量表示,将深度学习分类任务的标签作为目标实体,根据知识图谱实体与关系的向量表示,基于相似性度量计算目标实体间的相似度,得到目标实体的图关联矩阵。本方法结合了实体之间的关系本身包含的信息,并将推理规则(谓词)融合进来,因此容纳了大量的关联信息,使得学习得到的表示质量更佳。
Claims (4)
1.一种基于图谱表示学习的知识表示学习方法,其特征在于,包括以下步骤:
S1、基于知识图谱三元组和谓词获取标准图;
S2、根据标准图获取知识图谱实体与关系的向量表示;
S3、将深度学习分类任务的标签作为目标实体,根据知识图谱实体与关系的向量表示,基于相似性度量计算目标实体间的相似度,得到目标实体的图关联矩阵。
2.根据权利要求1所述的基于图谱表示学习的知识表示学习方法,其特征在于,所述步骤S1的具体方法包括以下子步骤:
S1-1、获取知识图谱(H,R,T)和谓词集合U,将((Hi,Rp,Tj),Uf,(Hi,Rq,Tj))表示为实体(Hi,Rp,Tj)与实体(Hi,Rq,Tj)关系之间的推理过程,即推理规则;其中H为头实体集合,Hi∈H;R为尾实体集合,Rp∈R,Rq∈R;T为关系集合,Tj∈T;
S1-2、根据公式
V=H∪T∪R∪U
获取顶点集合V,将头实体、尾实体、关系和谓词均作为标签,按照顶点集合V中的位置统一编号得到标签编号查询表;
S1-3、将用编号表示的三元组(IDH,IDR,IDT)拆分为二元组(IDH,IDR)和二元组(IDR,IDT);其中IDH,IDR和IDT分别为头实体、尾实体和关系的编号;
S1-4、对于存在推理规则的实体,根据其编号生成二元组(IDR,IDU)和二元组(IDU,IDR');其中IDU为推理规则谓词的编号;IDR和IDR'分别为存在推理规则的两个实体的尾实体编号;
S1-5、将得到的所有二元组作为标准图中顶点与顶点之间的关系,并将二元组构成的集合作为标准图的边集,得到标准图。
3.根据权利要求2所述的基于图谱表示学习的知识表示学习方法,其特征在于,所述步骤S2的具体方法包括以下子步骤:
S2-1、根据标准图构建邻接矩阵,并将邻接矩阵的每一行作为一个顶点的初始向量表示;
S2-2、采用自编码器对顶点的初始向量表示进行重构得到顶点的低维向量表示,即知识图谱实体与关系的向量表示,并将所有顶点的低维向量表示组合成矩阵Y;其中自编码器包括编码部分和解码部分,编码部分的表达式为:
Yi (1)=σ(W(1)Xi+b(1))
Yi (k)=σ(W(k)Yi (k-1)+b(k)),k=2,3,...,K
K为编码部分中神经网络的层数;W(k)为第k层神经网络的权重;b(k)为第k层神经网络的偏置;σ(·)为激活函数;Xi为第i个顶点的初始向量表示,即邻接矩阵的第i行;Yi (1)为输入为第i个顶点的初始向量对应的第1层神经网络的输出;Yi (k-1)为输入为第i个顶点的初始向量对应的第k-1层神经网络的输出;Yi (k)为输入为第i个顶点的初始向量对应的第k层神经网络的输出;对于第i个顶点的初始向量,编码部分的最终输出为Yi (K),Yi (K)∈Y;解码部分通过最小化解码损失并在损失函数中增加拉普拉斯映射作为约束条件来训练自编码器,解码部分为编码部分的逆操作,用于还原编码内容。
4.根据权利要求3所述的基于图谱表示学习的知识表示学习方法,其特征在于,所述步骤S3的具体方法包括以下子步骤:
S3-1、将深度学习分类任务的标签作为目标实体,获取目标实体的标签集L={l1,l2,...,lM},其中M为标签总数;lm为第m类标签,m=1,2,...,M;
S3-2、根据标签集L中的各个标签从标签编号查询表获取对应的标签编号;
S3-3、根据步骤S3-2中获取的标签编号从矩阵Y中获取所有对应标签的向量;
S3-4、计算步骤S3-3中得到的向量之间的欧氏距离,进而得到标签集L中各个标签之间的相似度,并将标签li与标签lj之间的相似度表示为三元组(li,lj,sij),其中sij为标签li与标签lj之间的相似度;
S3-5、以目标实体中的标签为顶点、标签之间的相似度为边构建概率图GL;
S3-6、将概率图GL表示为邻接矩阵G,对邻接矩阵G的每一行进行归一化获取一阶转移矩阵AL 1,进而得到t阶转移矩阵AL t;
S3-7、根据公式
获取目标实体的图关联矩阵GRM;其中w(t)为递减权重函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910618041.XA CN110309321B (zh) | 2019-07-10 | 2019-07-10 | 一种基于图谱表示学习的知识表示学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910618041.XA CN110309321B (zh) | 2019-07-10 | 2019-07-10 | 一种基于图谱表示学习的知识表示学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110309321A true CN110309321A (zh) | 2019-10-08 |
CN110309321B CN110309321B (zh) | 2021-05-18 |
Family
ID=68080817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910618041.XA Expired - Fee Related CN110309321B (zh) | 2019-07-10 | 2019-07-10 | 一种基于图谱表示学习的知识表示学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110309321B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866124A (zh) * | 2019-11-06 | 2020-03-06 | 北京诺道认知医学科技有限公司 | 基于多数据源的医学知识图谱融合方法及装置 |
CN111506706A (zh) * | 2020-04-15 | 2020-08-07 | 重庆邮电大学 | 一种基于关系相似度的上下义关系森林构建方法 |
CN111680207A (zh) * | 2020-03-11 | 2020-09-18 | 华中科技大学鄂州工业技术研究院 | 一种用于确定用户搜索意图的方法及装置 |
CN112580716A (zh) * | 2020-12-16 | 2021-03-30 | 北京百度网讯科技有限公司 | 图谱中边类型的识别方法、装置、设备及存储介质 |
CN113010769A (zh) * | 2019-12-19 | 2021-06-22 | 京东方科技集团股份有限公司 | 基于知识图谱的物品推荐方法、装置、电子设备及介质 |
CN113204648A (zh) * | 2021-04-30 | 2021-08-03 | 武汉工程大学 | 一种基于判决书文本的自动抽取关系的知识图谱补全方法 |
CN113407645A (zh) * | 2021-05-19 | 2021-09-17 | 福建福清核电有限公司 | 一种基于知识图谱的声像档案智能编研方法 |
CN114996507A (zh) * | 2022-06-10 | 2022-09-02 | 北京达佳互联信息技术有限公司 | 视频推荐方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160224637A1 (en) * | 2013-11-25 | 2016-08-04 | Ut Battelle, Llc | Processing associations in knowledge graphs |
CN106156083A (zh) * | 2015-03-31 | 2016-11-23 | 联想(北京)有限公司 | 一种领域知识处理方法及装置 |
CN108376160A (zh) * | 2018-02-12 | 2018-08-07 | 北京大学 | 一种中文知识图谱构建方法和系统 |
CN108717441A (zh) * | 2018-05-16 | 2018-10-30 | 腾讯科技(深圳)有限公司 | 问题模板所对应的谓词的确定方法及装置 |
CN108804521A (zh) * | 2018-04-27 | 2018-11-13 | 南京柯基数据科技有限公司 | 一种基于知识图谱的问答方法及农业百科问答系统 |
-
2019
- 2019-07-10 CN CN201910618041.XA patent/CN110309321B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160224637A1 (en) * | 2013-11-25 | 2016-08-04 | Ut Battelle, Llc | Processing associations in knowledge graphs |
CN106156083A (zh) * | 2015-03-31 | 2016-11-23 | 联想(北京)有限公司 | 一种领域知识处理方法及装置 |
CN108376160A (zh) * | 2018-02-12 | 2018-08-07 | 北京大学 | 一种中文知识图谱构建方法和系统 |
CN108804521A (zh) * | 2018-04-27 | 2018-11-13 | 南京柯基数据科技有限公司 | 一种基于知识图谱的问答方法及农业百科问答系统 |
CN108717441A (zh) * | 2018-05-16 | 2018-10-30 | 腾讯科技(深圳)有限公司 | 问题模板所对应的谓词的确定方法及装置 |
Non-Patent Citations (1)
Title |
---|
刘峤等: "知识图谱构建技术综述", 《计算机研究与发展》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866124A (zh) * | 2019-11-06 | 2020-03-06 | 北京诺道认知医学科技有限公司 | 基于多数据源的医学知识图谱融合方法及装置 |
CN110866124B (zh) * | 2019-11-06 | 2022-05-31 | 北京诺道认知医学科技有限公司 | 基于多数据源的医学知识图谱融合方法及装置 |
CN113010769A (zh) * | 2019-12-19 | 2021-06-22 | 京东方科技集团股份有限公司 | 基于知识图谱的物品推荐方法、装置、电子设备及介质 |
CN111680207A (zh) * | 2020-03-11 | 2020-09-18 | 华中科技大学鄂州工业技术研究院 | 一种用于确定用户搜索意图的方法及装置 |
CN111680207B (zh) * | 2020-03-11 | 2023-08-04 | 华中科技大学鄂州工业技术研究院 | 一种用于确定用户搜索意图的方法及装置 |
CN111506706A (zh) * | 2020-04-15 | 2020-08-07 | 重庆邮电大学 | 一种基于关系相似度的上下义关系森林构建方法 |
CN111506706B (zh) * | 2020-04-15 | 2022-06-17 | 重庆邮电大学 | 一种基于关系相似度的上下义关系森林构建方法 |
CN112580716B (zh) * | 2020-12-16 | 2023-07-11 | 北京百度网讯科技有限公司 | 图谱中边类型的识别方法、装置、设备及存储介质 |
CN112580716A (zh) * | 2020-12-16 | 2021-03-30 | 北京百度网讯科技有限公司 | 图谱中边类型的识别方法、装置、设备及存储介质 |
CN113204648A (zh) * | 2021-04-30 | 2021-08-03 | 武汉工程大学 | 一种基于判决书文本的自动抽取关系的知识图谱补全方法 |
CN113407645A (zh) * | 2021-05-19 | 2021-09-17 | 福建福清核电有限公司 | 一种基于知识图谱的声像档案智能编研方法 |
CN113407645B (zh) * | 2021-05-19 | 2024-06-11 | 福建福清核电有限公司 | 一种基于知识图谱的声像档案智能编研方法 |
CN114996507A (zh) * | 2022-06-10 | 2022-09-02 | 北京达佳互联信息技术有限公司 | 视频推荐方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110309321B (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309321A (zh) | 一种基于图谱表示学习的知识表示学习方法 | |
Li et al. | A quantum deep convolutional neural network for image recognition | |
Shiri et al. | A comprehensive overview and comparative analysis on deep learning models: CNN, RNN, LSTM, GRU | |
Lei et al. | Deep spatial-spectral subspace clustering for hyperspectral image | |
Chen et al. | Relation R-CNN: A graph based relation-aware network for object detection | |
Dong et al. | Sparse fully convolutional network for face labeling | |
CN112199532B (zh) | 一种基于哈希编码和图注意力机制的零样本图像检索方法及装置 | |
CN111191514A (zh) | 一种基于深度学习的高光谱图像波段选择方法 | |
Zhou et al. | ECA-mobilenetv3 (large)+ SegNet model for binary sugarcane classification of remotely sensed images | |
Tong et al. | Detection of urban sprawl using a genetic algorithm-evolved artificial neural network classification in remote sensing: a case study in Jiading and Putuo districts of Shanghai, China | |
Yang | A CNN-based broad learning system | |
CN116682021A (zh) | 一种高分辨率遥感影像建筑物矢量轮廓数据提取方法 | |
CN112488128A (zh) | 一种基于贝塞尔曲线的任意畸变图像线段检测方法 | |
CN115049160A (zh) | 时空大数据的平原工业型城市碳排放量评估方法及系统 | |
CN111598252A (zh) | 基于深度学习的大学计算机基础知识解题方法 | |
CN114880538A (zh) | 基于自监督的属性图社团检测方法 | |
CN114722928A (zh) | 一种基于深度学习的蓝藻图像识别方法 | |
Hassan et al. | Hyperdimensional Computing Versus Convolutional Neural Network: Architecture, Performance Analysis, and Hardware Complexity | |
CN117392420A (zh) | 基于多标签图像分类的馆藏文物图像数据语义联配方法 | |
CN116028891A (zh) | 一种基于多模型融合的工业异常检测模型训练方法和装置 | |
Ma et al. | Corn-plant counting using scare-aware feature and channel interdependence | |
CN111666849B (zh) | 多视角深度网络迭代进化的多源遥感影像水体检测方法 | |
CN114861863A (zh) | 基于元路径多级图注意力网络的异质图表示学习方法 | |
Qiang et al. | Large-scale multi-label image retrieval using residual network with hash layer | |
Jing | Research on Node classification Algorithm based on Deep Network representation learning under incomplete information |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210518 |
|
CF01 | Termination of patent right due to non-payment of annual fee |