CN110427524B - 知识图谱补全的方法、装置、电子设备及存储介质 - Google Patents
知识图谱补全的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110427524B CN110427524B CN201910715581.XA CN201910715581A CN110427524B CN 110427524 B CN110427524 B CN 110427524B CN 201910715581 A CN201910715581 A CN 201910715581A CN 110427524 B CN110427524 B CN 110427524B
- Authority
- CN
- China
- Prior art keywords
- view
- examples
- classification
- triples
- instance
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了知识图谱补全的方法、装置、电子设备及存储介质,涉及大数据技术领域。具体实现方案为:获取三元组在不同视角的视图实例;将所述不同视角的视图实例输入目标判别分类模型,获取所述三元组在所有视角上的综合分类结果;其中,所述综合分类结果用于表征所述三元组的有效性。从而可以从多个不同的视角衡量一个三元组的有效性指标,以更全面地衡量三元组的有效性。
Description
技术领域
本申请涉及数据处理领域中的大数据技术,尤其涉及一种知识图谱补全的方法、装置、电子设备及存储介质。
背景技术
知识图谱补全旨在弥补知识图谱缺失信息,是知识图谱构建的重要技术。知识图谱是由(h,r,t)三元组构成的图状结构,其中h(head的简写)和t(tail的简写)分别是头实体和尾实体,r(relation的简写)是连接头尾实体之间的关系。知识图谱补全的任务旨在为知识图谱寻找缺失的三元组,其核心问题是判断一个给定的候选三元组的有效性。
目前,可以基于卷积神经网络(CNN)的判别分类方法进行知识图谱补全,该方法将h、r和t分别表示为嵌入向量(embedding),然后通过CNN对h、r和t的嵌入向量进行逐层的特征提取和特征抽象,并最终通过分类层获得该三元组的有效性。
但是,上述方法中卷积神经网络一般只能进行二元判断,其建模的视角单一,对三元组的有效性判断不够全面。
发明内容
本申请提供一种知识图谱补全的方法、装置、电子设备及存储介质,可以从多个不同的视角衡量一个三元组的有效性指标,从而更全面地衡量三元组的有效性。
第一方面,本申请实施例提供一种知识图谱补全的方法,包括:
获取三元组在不同视角的视图实例;
将所述不同视角的视图实例输入目标判别分类模型,获取所述三元组在所有视角上的综合分类结果;其中,所述综合分类结果用于表征所述三元组的有效性。
本实施例中,通过将不同视角的视图实例输入到目标判别分类模型中,从而可以得到各个不同视角的视图实例的分类结果,最后求取所有视角上的综合分类结果,实现了从多个不同视角来评估三元组的有效性,以更好的进行知识图谱补全。
在一种可能的设计中,在将所述不同视角的视图实例输入目标判别分类模型之前,还包括:
构建初始判别分类模型;所述初始判别分类模型包括:编码层和分类层;所述编码层用于将输入的视图实例编码为实数向量,并将所述实数向量发送给所述分类层;所述分类层用于输出所述实数向量对应的分类结果;
以知识图谱中所有三元组对应的正例和负例的交叉熵损失最小为优化目标,通过正例和负例训练所述初始判别分类模型,得到所述目标判别分类模型。
在一种可能的设计中,所述正例是由视图正例生成函数根据三元组生成的;所述负例是由视图负例生成函数根据三元组生成的,或者所述负例是通过对正例的修改得到的;其中,所述负例对应的三元组不属于所述知识图谱。
本实施例中,首先构建初始判别分类模型,然后通过正例和负例训练初始判别分类模型,并以所有三元组对应的正例和负例的交叉熵损失最小为优化目标,不断优化初始判别分类模型的参数,得到目标判别分类模型。从而可以通过目标判别分类模型对不同视图示例进行判别,提高了分类效率和分类准确率。
在一种可能的设计中,获取三元组在不同视角的视图实例,包括:
基于三元组(h,r,t),通过视图实例生成函数生成第一视图实例、第二视图实例、第三视图实例、第四视图实例中至少两类视图实例;其中:
所述第一视图实例是基于h和r预测t的概率;所述第二视图实例是基于r和t预测h的概率;所述第三视图实例是基于h和t预测r的概率;所述第四视图实例是基于h、r和t预测y/n的概率;其中,三元组(h,r,t)中元素h表示头实体,元素t表示尾实体,元素r表示连接h和t的关系;y表示分类结果,n表示负例与正例的比值。
本实施例中,通过视图实例生成函数生成第一视图实例、第二视图实例、第三视图实例、第四视图实例中至少两类视图实例。在实际应用中,可以根据需要增减评估三元组有效性的视图视角,从而可以灵活地从多个不同视图视角评估三元组的有效性,使得三元组的评估结果更加准确。
在一种可能的设计中,在将所述不同视角的视图实例输入目标判别分类模型之前,还包括:
对不同视角的视图实例进行分类标记,得到标记后的视图实例;其中,相同视角的视图实例采用相同的标记符号。
本实施例中,可以通过标记符号来区分不同视角的视图实例,从而方便对目标判别分类模型的输出结果进行分类,得到不同视角的分类结果。
在一种可能的设计中,获取所述三元组在所有视角上的综合分类结果,包括:
根据所述标记符号,获取不同视角的视图实例对应的分类结果;
根据不同视角的视图实例对应的分类结果,确定所述三元组在所有视角上的综合分类结果。
本实施例中,基于获取到的不同视角的视图实例对应的分类结果来计算所述三元组在所有视角上的综合分类结果,从而使得综合分类结果体现出所有视角上的分类结果。
在一种可能的设计中,所述综合分类结果,包括:三元组在各个视角的分类结果的概率之积,或者三元组在各个视角的分类结果的对数概率之和。
本实施例中,可以通过三元组在各个视角的分类结果的概率之积,或者三元组在各个视角的分类结果的对数概率之和来评估三元组的有效性,以更好的进行知识图谱补全。
在一种可能的设计中,还包括:
根据所述综合分类结果,确定所有有效的三元组;
基于所述有效的三元组,推理得到新的三元组,以补全知识图谱中的链接关系,得到补全后的知识图谱。
本实施例中,通过综合分类结果全方面地评估三元组的有效性,当找到所有有效的三元组之后,则可以依据有效的三元组推理得到新的三元组,从而补全知识谱图中的连接关系,得到全面的知识图谱。由于在推理之前对三元组的有效性进行了评估,因此可以使得推理得到的结果更加可靠。
第二方面,本申请实施例提供一种知识图谱补全的装置,包括:
获取模块,用于获取三元组在不同视角的视图实例;
处理模块,用于将所述不同视角的视图实例输入目标判别分类模型,获取所述三元组在所有视角上的综合分类结果;其中,所述综合分类结果用于表征所述三元组的有效性。
本实施例中,通过将不同视角的视图实例输入到目标判别分类模型中,从而可以得到各个不同视角的视图实例的分类结果,最后求取所有视角上的综合分类结果,实现了从多个不同视角来评估三元组的有效性,以更好的进行知识图谱补全。
在一种可能的设计中,还包括:模型构建模块,用于:
构建初始判别分类模型;所述初始判别分类模型包括:编码层和分类层;所述编码层用于将输入的视图实例编码为实数向量,并将所述实数向量发送给所述分类层;所述分类层用于输出所述实数向量对应的分类结果;
以知识图谱中所有三元组对应的正例和负例的交叉熵损失最小为优化目标,通过正例和负例训练所述初始判别分类模型,得到所述目标判别分类模型。
在一种可能的设计中,所述正例是由视图正例生成函数根据三元组生成的;所述负例是由视图负例生成函数根据三元组生成的,或者所述负例是通过对正例的修改得到的;其中,所述负例对应的三元组不属于所述知识图谱。
本实施例中,首先构建初始判别分类模型,然后通过正例和负例训练初始判别分类模型,并以所有三元组对应的正例和负例的交叉熵损失最小为优化目标,不断优化初始判别分类模型的参数,得到目标判别分类模型。从而可以通过目标判别分类模型对不同视图示例进行判别,提高了分类效率和分类准确率。
在一种可能的设计中,所述获取模块,具体用于:
基于三元组(h,r,t),通过视图实例生成函数生成第一视图实例、第二视图实例、第三视图实例、第四视图实例中至少两类视图实例;其中:
所述第一视图实例是基于h和r预测t的概率;所述第二视图实例是基于r和t预测h的概率;所述第三视图实例是基于h和t预测r的概率;所述第四视图实例是基于h、r和t预测y/n的概率;其中,三元组(h,r,t)中元素h表示头实体,元素t表示尾实体,元素r表示连接h和t的关系;y表示分类结果,n表示负例与正例的比值。
本实施例中,通过视图实例生成函数生成第一视图实例、第二视图实例、第三视图实例、第四视图实例中至少两类视图实例。在实际应用中,可以根据需要增减评估三元组有效性的视图视角,从而可以灵活地从多个不同视图视角评估三元组的有效性,使得三元组的评估结果更加准确。
在一种可能的设计中,还包括:标记模块,用于:
对不同视角的视图实例进行分类标记,得到标记后的视图实例;其中,相同视角的视图实例采用相同的标记符号。
本实施例中,可以通过标记符号来区分不同视角的视图实例,从而方便对目标判别分类模型的输出结果进行分类,得到不同视角的分类结果。
在一种可能的设计中,所述处理模块,具体用于:
根据所述标记符号,获取不同视角的视图实例对应的分类结果;
根据不同视角的视图实例对应的分类结果,确定所述三元组在所有视角上的综合分类结果。
本实施例中,基于获取到的不同视角的视图实例对应的分类结果来计算所述三元组在所有视角上的综合分类结果,从而使得综合分类结果体现出所有视角上的分类结果。
在一种可能的设计中,所述综合分类结果,包括:三元组在各个视角的分类结果的概率之积,或者三元组在各个视角的分类结果的对数概率之和。
本实施例中,可以通过三元组在各个视角的分类结果的概率之积,或者三元组在各个视角的分类结果的对数概率之和来评估三元组的有效性,以更好的进行知识图谱补全。
在一种可能的设计中,还包括:补全模块,用于:
根据所述综合分类结果,确定所有有效的三元组;
基于所述有效的三元组,推理得到新的三元组,以补全知识图谱中的链接关系,得到补全后的知识图谱。
本实施例中,通过综合分类结果全方面地评估三元组的有效性,当找到所有有效的三元组之后,则可以依据有效的三元组推理得到新的三元组,从而补全知识谱图中的连接关系,得到全面的知识图谱。由于在推理之前对三元组的有效性进行了评估,因此可以使得推理得到的结果更加可靠。
第三方面,本申请提供一种电子设备,包括:处理器和存储器;存储器中存储有所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行如第一方面中任一项所述的知识图谱补全的方法。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面中任一项所述的知识图谱补全的方法。
第五方面,本申请实施例提供一种程序产品,所述程序产品包括:计算机程序,所述计算机程序存储在可读存储介质中,服务器的至少一个处理器可以从所述可读存储介质读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得服务器执行第一方面中任一所述的知识图谱补全的方法。
上述申请中的一个实施例具有如下优点或有益效果:可以从多个不同的视角衡量一个三元组的有效性指标,从而更全面地衡量三元组的有效性。因为采用三元组在不同视角的视图实例;然后将不同视角的视图实例输入目标判别分类模型,得到用于表征三元组在所有视角上的有效性的综合分类结果的技术手段,所以克服了现有学习模型判别视角单一,三元组有效性判断不够全面的技术问题,进而达到提高三元组有效性判断准确率的技术效果。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是可以实现本申请实施例的知识图谱补全的场景图;
图2是根据本申请第一实施例的示意图;
图3是根据本申请第二实施例的示意图;
图4是根据本申请第三实施例的示意图;
图5是根据本申请第四实施例的示意图;
图6是根据本申请第五实施例的示意图;
图7是用来实现本申请实施例的知识图谱补全的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
知识图谱补全旨在弥补知识图谱缺失信息,是知识图谱构建的重要技术。知识图谱是由(h,r,t)三元组构成的图状结构,其中h(head的简写)和t(tail的简写)分别是头实体和尾实体,r(relation的简写)是连接头尾实体之间的关系。知识图谱补全的任务旨在为知识图谱寻找缺失的三元组,其核心问题是判断一个给定的候选三元组的有效性。目前,可以基于卷积神经网络(CNN)的判别分类方法进行知识图谱补全,该方法将h、r和t分别表示为嵌入向量(embedding),然后通过CNN对h、r和t的嵌入向量进行逐层的特征提取和特征抽象,并最终通过分类层获得该三元组的有效性。
但是,基于卷积神经网络的判别分类方法,其主要的技术缺点是机器学习视角的单一性。该方法以卷积神经网络学习三元组的表示并进行分类,其建模的视角是单一的,即“基于三元组本身预测其有效性程度”,可以表示为h+r+t→y/n。“y/n”即(yes/no)代表的是该判别分类是“有效与否”的二元判断。然而,判断一个候选三元组是否有效,远远不止一个机器学习视角。例如,除此之外,还可以“基于给定的两个元素预测剩余的一个元素”,以此作为三元组有效性评估的新的机器学习视角。
针对上述技术问题,本申请提供一种知识图谱补全的方法、装置、电子设备及存储介质,可以从多个不同的视角衡量一个三元组的有效性指标,从而更全面地衡量三元组的有效性。
图1是可以实现本申请实施例的知识图谱补全的场景图,如图1所示,首先通过正例视图生成函数和负例视图生成函数分别生成测试三元组对应的不同视角的视图实例,然后将视图实例输入目标判别分类模型,通过正例视图生成函数和负例视图生成函数中的正例和负例的交叉熵损失最小为优化目标,不断优化目标判别分类模型的模型参数。当目标判别分类模型训练好之后,类似的,通过正例视图生成函数和负例视图生成函数分别生成将测试三元组对应的不同视角的视图实例,然后将视图实例输入目标判别分类模型,由目标判别分类模型输出综合分类结果。
具体地,可以从多个不同的视角预测该三元组的有效性。例如:给定任意两个三元组元素求另一个元素,以及给定整个三元组求其有效性。因此,总共有四个不同的视角,基于h和r预测t的概率(即h+r→t),基于r和t预测h的概率(即r+t→h),基于h和t预测r的概率(即h+t→r),以及基于h、r和t预测y/n的概率(即目标判别分类模型所采用的视角h+r+t→y/n)。这个三元组的有效性即为四个视角的有效性的整合。在实现过程中,可以采用四类视图中至少两类的视图实例。
示例性的,本实施例中采用全部四类视图为例进行说明。给定三元组的视图集合为V={h+r→t,r+t→h,h+t→r,h+r+t→y/n}。对于其中的每一个视图v,可以定义一对视图实例生成函数,gv+和gv-,用于生成对应该视图的判别分类训练所需的正例和负例。正例的生成可以根据视图的模式直接得到,负例的生成则需要通过对正例进行随机打乱得到。具体的,负例的源端通过随机替换掉其中的一个符号,使得替换后的元组不在原始知识图谱中出现,负例的目标端对于前三个视图而言是none(空),对于最后一个视图而言是false(错误)。为了使得不同视图的实例能够在同一个神经网络框架中被处理,可以让视图实例生成函数在实例源端部分的两端,分别添加一个特殊的代表该视图的分类标记,从而使得神经网络可以区分不同的视图所产生的实例。例如,可以采用v1、v2、v3和v4这四个分类标记分别表示四个视图。带有这些特殊标记符号的分类标记,将进入序列分类神经网络进行统一处理。神经网络学习到针对每种视图的特有的信息传递和计算规律,同时又最大程度的共享了网络参数。然后,在训练过程中,构建初始判别分类模型,其中初始判别分类模型包括:编码层和分类层。编码层用于将输入的视图实例编码为实数向量,并将实数向量发送给分类层。分类层用于输出实数向量对应的分类结果。本实施例中,分类模型可以采用多层双向长-短时记忆训练神经网络(LSTM)作为编码层,并采用带有softmax操作的logistic回归作为分类层。事实上,为了获得更好的效果,也可以使用更复杂的编码器,比如transformer。最后,以知识图谱中所有三元组对应的正例和负例的交叉熵损失最小为优化目标,通过正例和负例训练初始判别分类模型,得到目标判别分类模型。在预测过程中,得到目标判别分类模型之后,需要将不同视角的视图实例输入目标判别分类模型。在预测过程中,仅需要生成并处理正例即可,也就是说只需要处理图1中正例对应的箭头标记的流程运行即可。然后,根据标记符号,获取不同视角的视图实例对应的分类结果;根据不同视角的视图实例对应的分类结果,确定三元组在所有视角上的综合分类结果。其中,综合分类结果,包括:三元组在各个视角的分类结果的概率之积,或者三元组在各个视角的分类结果的对数概率之和。
应用上述方法可以从多个不同的视角衡量一个三元组的有效性指标,从而更全面地衡量三元组的有效性。
图2是根据本申请第一实施例的示意图,如图2所示,本实施例中的方法可以包括:
S101、获取三元组在不同视角的视图实例。
本实施例中,基于三元组(h,r,t),通过视图实例生成函数生成第一视图实例、第二视图实例、第三视图实例、第四视图实例中至少两类视图实例;其中:第一视图实例是基于h和r预测t的概率;第二视图实例是基于r和t预测h的概率;第三视图实例是基于h和t预测r的概率;第四视图实例是基于h、r和t预测y/n的概率;其中,三元组(h,r,t)中元素h表示头实体,元素t表示尾实体,元素r表示连接h和t的关系;y表示分类结果,n表示负例与正例的比值。
具体地,基于卷积神经网络的判别分类方法,其主要的技术缺点是机器学习视角的单一性。该方法以卷积神经网络学习三元组的表示并进行分类,其建模的视角是单一的,即“基于三元组本身预测其有效性程度”,可以表示为h+r+t→y/n。“y/n”即(yes/no)代表的是该判别分类是“有效与否”的二元判断。然而,判断一个候选三元组是否有效,远远不止一个机器学习视角。例如,除此之外,还可以“基于给定的两个元素预测剩余的一个元素”,以此作为三元组有效性评估的新的机器学习视角。本申请为知识图谱补全任务提出了多视图分类模型。多视图模型的核心优势在于从多个视图(即前文所说的视角)出发,综合衡量给定候选三元组的有效性。在实现过程中,对于给定的三元组,可以从多个不同的视角预测该三元组的合理性:包括给定任意两个三元组元素求另一个元素,以及给定整个三元组求其有效性。因此,总共有四个不同的视角,基于h和r预测t的概率(即h+r→t),基于r和t预测h的概率(即r+t→h),基于h和t预测r的概率(即h+t→r),以及基于h、r和t预测y/n的概率(即卷积神经网络判别分类模型所采用的视角h+r+t→y/n)。这个三元组的有效性即为四个视角的有效性的整合。在实现过程中,可以采用四类视图中至少两类的视图实例。本实施例中,采用全部四类视图为例进行说明。
S102、将不同视角的视图实例输入目标判别分类模型,获取三元组在所有视角上的综合分类结果;其中,综合分类结果用于表征三元组的有效性。
本实施例中,首先介绍判别分类模型的训练过程。在将不同视角的视图实例输入目标判别分类模型之前,还包括:构建初始判别分类模型;初始判别分类模型包括:编码层和分类层;编码层用于将输入的视图实例编码为实数向量,并将实数向量发送给分类层;分类层用于输出实数向量对应的分类结果;以知识图谱中所有三元组对应的正例和负例的交叉熵损失最小为优化目标,通过正例和负例训练初始判别分类模型,得到目标判别分类模型。
可选地,正例是由视图正例生成函数根据三元组生成的;负例是由视图负例生成函数根据三元组生成的,或者负例是通过对正例的修改得到的;其中,负例对应的三元组不属于知识图谱。
可选地,在将不同视角的视图实例输入目标判别分类模型之前,还包括:对不同视角的视图实例进行分类标记,得到标记后的视图实例;其中,相同视角的视图实例采用相同的标记符号。
具体地,三元组的有效性即为不同视角的有效性的整合,这四个预测视角都是以判别分类的方式运行,因此,每个视角都对应着分类实例的定义和分类模型的定义。
首先,介绍分类实例的定义。该模型的视图的集合为V={h+r→t,r+t→h,h+t→r,h+r+t→y/n}。对于其中的每一个视图v,可以定义一对视图实例生成函数,gv+和gv-,用于生成对应该视图的判别分类训练所需的正例和负例。表1为视图分类实例的定义,如表1所示,冒号前面和后面的部分分别对应于分类过程的输入和输出,超参数n代表负例相对于正例的比例。函数s以一个含有两个或三个实体或关系的元组为输入,返回一个随机打乱的且在原始知识图谱G中不存在的元组。
表1
在一个视图分类实例x:y中,源端x和目标端y分类过程的输入和输出。对于一个给定的三元组,视图正例生成函数为每个视图生成一个正例,而视图负例生成函数为每个视图生成一个负例的集合,超参数n用于控制负例生成的数量。正例的生成可以根据视图的模式直接得到,负例的生成则需要通过对正例进行随机打乱得到。具体的,负例的源端通过随机替换掉其中的一个符号,使得替换后的元组不在原始知识图谱中出现,负例的目标端对于前三个视图而言是none,对于最后一个视图而言是false。上述实例均作为判别分类模型的输入。
示例性的,目标判别分类模型的编码层可以采用多层双向长-短时记忆训练神经网络(LSTM)并采用带有softmax操作的logistic回归作为分类层。事实上,为了获得更好的效果,也可以使用更复杂的编码器,比如transformer。对于判别分类模型的训练,正例和负例均用作分类模型训练数据。由于视图分类实例的源端的实体或关系序列可以类比于自然语言语句,本实施例创新性的采用自然语言处理中常用的序列分类模型来构造判别分类模型。可以设计了一个简单有效的序列分类神经网络用以进行多视图学习,各个视图的学习和预测过程都是在一个统一的神经网络中完成的。为了使得不同视图的实例能够在同一个神经网络框架中被处理,可以让视图实例生成函数在实例源端部分的两端,分别添加一个特殊的代表该视图的分类标记,从而使得神经网络可以区分不同的视图所产生的实例。例如,可以采用v1、v2、v3和v4这四个分类标记分别表示四个视图。带有这些特殊标记符号的分类标记,将进入序列分类神经网络进行统一处理。神经网络学习到针对每种视图的特有的信息传递和计算规律,同时又最大程度的共享了网络参数。
在训练过程中,正例和负例均需生成并处理,也就是如图1所示中的正例对应的箭头和负例对应的箭头标记的流程都需要运行。训练过程的优化目标,是最小化知识图谱训练集合GT中所有元组对应的正例和负例的交叉熵损失。
其中:θ表示模型参数,就是所要学习的参数。l(θ)表示该模型参数对应的损失函数,损失函数用于衡量模型的好坏,损失函数越小越好。GT表示知识图谱对应的训练集合部分,它是由三元组构成的集合。z表示训练集合中的一个三元组。V代表学习视图类型的集合,是其中的一个学习视图。gv +(z)表示三元组z在视图v之下对应的分类正例集合,gv -(z)表示三元组在视图v之下对应的分类负例集合。+和-用来表示正和负。每一个正例或负例,都是有两个部分构成的,X:Y,x是输入,y是对应的分类结果。X:Y加一个括号会比较合适,能有整体感(X:Y)。F表示判别分类模型,F和θ搭配起来就可以用来将一个输入x预测为一个分类结果。F(x|θ)就表示输入x对应的分类结果。如前,y是x对应的标准答案分类结果,l(F(xθ),y)计算预测结果和答案结果的损失函数。
可选地,获取三元组在所有视角上的综合分类结果,包括:根据标记符号,获取不同视角的视图实例对应的分类结果;根据不同视角的视图实例对应的分类结果,确定三元组在所有视角上的综合分类结果。
可选地,综合分类结果,包括:三元组在各个视角的分类结果的概率之积,或者三元组在各个视角的分类结果的对数概率之和。
具体地,介绍判别分类模型的预测过程。在以知识图谱中所有三元组对应的正例和负例的交叉熵损失最小为优化目标,通过正例和负例训练初始判别分类模型,即可得到目标判别分类模型。得到目标判别分类模型之后,需要将不同视角的视图实例输入目标判别分类模型。在预测过程中,仅需要生成并处理正例即可,也就是说只需要处理图1中正例对应的箭头标记的流程运行即可。然后,根据标记符号,获取不同视角的视图实例对应的分类结果;根据不同视角的视图实例对应的分类结果,确定三元组在所有视角上的综合分类结果。综合分类结果,包括:三元组在各个视角的分类结果的概率之积,或者三元组在各个视角的分类结果的对数概率之和。三元组在所有视图上的对数概率之和的计算公式如下:
其中,gv +(z)表示三元组z在视图v之下对应的分类正例集合。在这里,可以用更具体的三个符号(h,r,t)表示三元组z。h表示head即头实体,t表示tail即尾实体,r表示relaiton即关系。如前,F(x|θ)表示模型对x的预测结果。这个预测结果是一个概率向量,可以用[y]操作来取出这个向量中与标签y对应的概率,即F(x|θ)[y]。然后将此概率取对数之后得到log(F(xθ)[y],这个对数化的概率就可以进行相加运算了。
本实施例,通过获取三元组在不同视角的视图实例;将不同视角的视图实例输入目标判别分类模型,获取三元组在所有视角上的综合分类结果;其中,综合分类结果用于表征三元组的有效性。本申请可以从多个不同的视角衡量一个三元组的有效性指标,从而更全面地衡量三元组的有效性。
图3是根据本申请第二实施例的示意图;如图3所示,本实施例中的方法可以包括:
S201、获取三元组在不同视角的视图实例。
S202、将不同视角的视图实例输入目标判别分类模型,获取三元组在所有视角上的综合分类结果;其中,综合分类结果用于表征三元组的有效性。
本实施例中的步骤S201~步骤S202的具体实现过程和实现原理参见图2所示方法中的相关描述,此处不再赘述。
S203、根据综合分类结果,确定所有有效的三元组。
本实施例中,可以将综合分类的数值大于预设阈值的三元组作为有效的三元组,将综合分类的数值小于或等于预设阈值的三元组作为无效三元组。需要说明的是,本实施例不限定预设阈值的具体取值,本领域技术人员可以根据实际需要对预设阈值进行调整。
S204、基于有效的三元组,推理得到新的三元组,以补全知识图谱中的链接关系,得到补全后的知识图谱。
本实施例中,通过综合分类结果全方面地评估三元组的有效性,当找到所有有效的三元组之后,则可以依据有效的三元组推理得到新的三元组,从而补全知识谱图中的连接关系,得到全面的知识图谱。由于在推理之前对三元组的有效性进行了评估,因此可以使得推理得到的结果更加可靠。
图4是根据本申请第三实施例的示意图;如图4所示,本实施例中的装置可以包括:
获取模块31,用于获取三元组在不同视角的视图实例;
处理模块32,用于将不同视角的视图实例输入目标判别分类模型,获取三元组在所有视角上的综合分类结果;其中,综合分类结果用于表征三元组的有效性。
在一种可能的设计中,还包括:模型构建模块33,用于:
构建初始判别分类模型;初始判别分类模型包括:编码层和分类层;编码层用于将输入的视图实例编码为实数向量,并将实数向量发送给分类层;分类层用于输出实数向量对应的分类结果;
以知识图谱中所有三元组对应的正例和负例的交叉熵损失最小为优化目标,通过正例和负例训练初始判别分类模型,得到目标判别分类模型。
在一种可能的设计中,正例是由视图正例生成函数根据三元组生成的;负例是由视图负例生成函数根据三元组生成的,或者负例是通过对正例的修改得到的;其中,负例对应的三元组不属于知识图谱。
在一种可能的设计中,获取模块31,具体用于:
基于三元组(h,r,t),通过视图实例生成函数生成第一视图实例、第二视图实例、第三视图实例、第四视图实例中至少两类视图实例;其中:
第一视图实例是基于h和r预测t的概率;第二视图实例是基于r和t预测h的概率;第三视图实例是基于h和t预测r的概率;第四视图实例是基于h、r和t预测y/n的概率;其中,三元组(h,r,t)中元素h表示头实体,元素t表示尾实体,元素r表示连接h和t的关系;y表示分类结果,n表示负例与正例的比值。
在一种可能的设计中,还包括:标记模块34,用于:
对不同视角的视图实例进行分类标记,得到标记后的视图实例;其中,相同视角的视图实例采用相同的标记符号。
在一种可能的设计中,处理模块32,具体用于:
根据标记符号,获取不同视角的视图实例对应的分类结果;
根据不同视角的视图实例对应的分类结果,确定三元组在所有视角上的综合分类结果。
在一种可能的设计中,综合分类结果,包括:三元组在各个视角的分类结果的概率之积,或者三元组在各个视角的分类结果的对数概率之和。
本实施例的知识图谱补全的装置,可以执行图2所示方法中的技术方案,其具体实现过程和技术原理参见图2所示方法中的相关描述,此处不再赘述。
本实施例,通过获取三元组在不同视角的视图实例;将不同视角的视图实例输入目标判别分类模型,获取三元组在所有视角上的综合分类结果;其中,综合分类结果用于表征三元组的有效性。本申请可以从多个不同的视角衡量一个三元组的有效性指标,从而更全面地衡量三元组的有效性。
图5是根据本申请第四实施例的示意图;如图5所示,本实施例中的装置在图4所示装置的基础上,还可以包括:
补全模块35,用于:
根据综合分类结果,确定所有有效的三元组;
基于有效的三元组,推理得到新的三元组,以补全知识图谱中的链接关系,得到补全后的知识图谱。
本实施例中,通过综合分类结果全方面地评估三元组的有效性,当找到所有有效的三元组之后,则可以依据有效的三元组推理得到新的三元组,从而补全知识谱图中的连接关系,得到全面的知识图谱。由于在推理之前对三元组的有效性进行了评估,因此可以使得推理得到的结果更加可靠。
图6是根据本申请第五实施例的示意图;如图6所示,本实施例中的电子设备40可以包括:处理器41和存储器42。
存储器42,用于存储程序;存储器42,可以包括易失性存储器(英文:volatilememory),例如随机存取存储器(英文:random-access memory,缩写:RAM),如静态随机存取存储器(英文:static random-access memory,缩写:SRAM),双倍数据率同步动态随机存取存储器(英文:Double Data Rate Synchronous Dynamic Random Access Memory,缩写:DDR SDRAM)等;存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory)。存储器42用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等,上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器42中。并且上述的计算机程序、计算机指令、数据等可以被处理器41调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器42中。并且上述的计算机程序、计算机指据等可以被处理器41调用。
处理器41,用于执行存储器42存储的计算机程序,以实现上述实施例涉及的方法中的各个步骤。
具体可以参见前面方法实施例中的相关描述。
处理器41和存储器42可以是独立结构,也可以是集成在一起的集成结构。当处理器41和存储器42是独立结构时,存储器42、处理器41可以通过总线43耦合连接。
本实施例,通过获取三元组在不同视角的视图实例;将不同视角的视图实例输入目标判别分类模型,获取三元组在所有视角上的综合分类结果;其中,综合分类结果用于表征三元组的有效性。本申请可以从多个不同的视角衡量一个三元组的有效性指标,从而更全面地衡量三元组的有效性。
本实施例的电子设备可以执行图2、图3所示方法中的技术方案,其具体实现过程和技术原理参见图2、图3所示方法中的相关描述,此处不再赘述。
本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
图7是用来实现本申请实施例的知识图谱补全的方法的电子设备的框图;如图7所示,是根据本申请实施例的知识图谱补全的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示,该电子设备包括:一个或多个处理器501、存储器502,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的知识图谱补全的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的知识图谱补全的方法。
存储器502作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的知识图谱补全的方法对应的程序指令/模块。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的知识图谱补全的方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据知识图谱补全的电子设备的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至知识图谱补全的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
知识图谱补全的方法的电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与知识图谱补全的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
本实施例,通过获取三元组在不同视角的视图实例;将不同视角的视图实例输入目标判别分类模型,获取三元组在所有视角上的综合分类结果;其中,综合分类结果用于表征三元组的有效性。本申请可以从多个不同的视角衡量一个三元组的有效性指标,从而更全面地衡量三元组的有效性。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (10)
1.一种知识图谱补全的方法,其特征在于,包括:
基于三元组(h,r,t),通过视图实例生成函数生成第一视图实例、第二视图实例、第三视图实例、第四视图实例中至少两类视图实例;其中:所述第一视图实例是基于h和r预测t的概率;所述第二视图实例是基于r和t预测h的概率;所述第三视图实例是基于h和t预测r的概率;所述第四视图实例是基于h、r和t预测y/n的概率;其中,三元组(h,r,t)中元素h表示头实体,元素t表示尾实体,元素r表示连接h和t的关系;y表示分类结果,n表示负例与正例的比值;
将不同视角的视图实例输入目标判别分类模型,获取所述三元组在所有视角上的综合分类结果;其中,所述综合分类结果用于表征所述三元组的有效性。
2.根据权利要求1所述的方法,其特征在于,在将不同视角的视图实例输入目标判别分类模型之前,还包括:
构建初始判别分类模型;所述初始判别分类模型包括:编码层和分类层;所述编码层用于将输入的视图实例编码为实数向量,并将所述实数向量发送给所述分类层;所述分类层用于输出所述实数向量对应的分类结果;
以知识图谱中所有三元组对应的正例和负例的交叉熵损失最小为优化目标,通过正例和负例训练所述初始判别分类模型,得到所述目标判别分类模型。
3.根据权利要求2所述的方法,其特征在于,所述正例是由视图正例生成函数根据三元组生成的;所述负例是由视图负例生成函数根据三元组生成的,或者所述负例是通过对正例的修改得到的;其中,所述负例对应的三元组不属于所述知识图谱。
4.根据权利要求1所述的方法,其特征在于,在将不同视角的视图实例输入目标判别分类模型之前,还包括:
对不同视角的视图实例进行分类标记,得到标记后的视图实例;其中,相同视角的视图实例采用相同的标记符号。
5.根据权利要求4所述的方法,其特征在于,获取所述三元组在所有视角上的综合分类结果,包括:
根据所述标记符号,获取不同视角的视图实例对应的分类结果;
根据不同视角的视图实例对应的分类结果,确定所述三元组在所有视角上的综合分类结果。
6.根据权利要求1-5中任一项所述的方法,其特征在于,所述综合分类结果,包括:三元组在各个视角的分类结果的概率之积,或者三元组在各个视角的分类结果的对数概率之和。
7.根据权利要求1-5中任一项所述的方法,其特征在于,还包括:
根据所述综合分类结果,确定所有有效的三元组;
基于所述有效的三元组,推理得到新的三元组,以补全知识图谱中的链接关系,得到补全后的知识图谱。
8.一种知识图谱补全的装置,其特征在于,包括:
获取模块,用于基于三元组(h,r,t),通过视图实例生成函数生成第一视图实例、第二视图实例、第三视图实例、第四视图实例中至少两类视图实例;其中:所述第一视图实例是基于h和r预测t的概率;所述第二视图实例是基于r和t预测h的概率;所述第三视图实例是基于h和t预测r的概率;所述第四视图实例是基于h、r和t预测y/n的概率;其中,三元组(h,r,t)中元素h表示头实体,元素t表示尾实体,元素r表示连接h和t的关系;y表示分类结果,n表示负例与正例的比值;
处理模块,用于将不同视角的视图实例输入目标判别分类模型,获取所述三元组在所有视角上的综合分类结果;其中,所述综合分类结果用于表征所述三元组的有效性。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910715581.XA CN110427524B (zh) | 2019-08-05 | 2019-08-05 | 知识图谱补全的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910715581.XA CN110427524B (zh) | 2019-08-05 | 2019-08-05 | 知识图谱补全的方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110427524A CN110427524A (zh) | 2019-11-08 |
CN110427524B true CN110427524B (zh) | 2022-03-08 |
Family
ID=68412531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910715581.XA Active CN110427524B (zh) | 2019-08-05 | 2019-08-05 | 知识图谱补全的方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110427524B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929047B (zh) * | 2019-12-11 | 2023-04-28 | 中国人民解放军国防科技大学 | 关注邻居实体的知识图谱推理方法和装置 |
CN111159485B (zh) * | 2019-12-30 | 2020-11-13 | 科大讯飞(苏州)科技有限公司 | 尾实体链接方法、装置、服务器及存储介质 |
CN111259107B (zh) * | 2020-01-10 | 2023-08-18 | 北京百度网讯科技有限公司 | 行列式文本的存储方法、装置以及电子设备 |
CN111639196B (zh) * | 2020-06-03 | 2022-03-15 | 核工业湖州勘测规划设计研究院股份有限公司 | 一种多层渐进增强的地灾知识图谱及其自动补全方法 |
CN112132444B (zh) * | 2020-09-18 | 2023-05-12 | 北京信息科技大学 | 一种互联网+环境下文化创新企业知识缺口的识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376249A (zh) * | 2018-09-07 | 2019-02-22 | 桂林电子科技大学 | 一种基于自适应负采样的知识图谱嵌入方法 |
CN109669994A (zh) * | 2018-12-21 | 2019-04-23 | 吉林大学 | 一种健康知识图谱的构建方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304933A (zh) * | 2018-01-29 | 2018-07-20 | 北京师范大学 | 一种知识库的补全方法及补全装置 |
CN109284394A (zh) * | 2018-09-12 | 2019-01-29 | 青岛大学 | 一种从多源数据集成视角构建企业知识图谱的方法 |
CN109657067A (zh) * | 2018-11-19 | 2019-04-19 | 平安科技(深圳)有限公司 | 知识图谱的展示方法、装置、计算机设备和存储介质 |
CN109657238B (zh) * | 2018-12-10 | 2023-10-13 | 宁波深擎信息科技有限公司 | 基于知识图谱的上下文识别补全方法、系统、终端及介质 |
CN109977234A (zh) * | 2019-03-28 | 2019-07-05 | 哈尔滨工程大学 | 一种基于主题关键词过滤的知识图谱补全方法 |
-
2019
- 2019-08-05 CN CN201910715581.XA patent/CN110427524B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376249A (zh) * | 2018-09-07 | 2019-02-22 | 桂林电子科技大学 | 一种基于自适应负采样的知识图谱嵌入方法 |
CN109669994A (zh) * | 2018-12-21 | 2019-04-23 | 吉林大学 | 一种健康知识图谱的构建方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110427524A (zh) | 2019-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427524B (zh) | 知识图谱补全的方法、装置、电子设备及存储介质 | |
EP3889830A1 (en) | Cross-modality processing method and apparatus, electronic device and computer storage medium | |
CN111144577B (zh) | 异构图之中节点表示的生成方法、装置和电子设备 | |
CN112037760B (zh) | 语音频谱生成模型的训练方法、装置及电子设备 | |
US10565521B2 (en) | Merging feature subsets using graphical representation | |
CN113822494A (zh) | 风险预测方法、装置、设备及存储介质 | |
CN111709339A (zh) | 一种票据图像识别方法、装置、设备及存储介质 | |
CN111737954B (zh) | 文本相似度确定方法、装置、设备和介质 | |
CN111738414A (zh) | 推荐模型的生成、内容推荐方法、装置、设备和介质 | |
CN111079945B (zh) | 端到端模型的训练方法及装置 | |
CN112561056A (zh) | 神经网络模型的训练方法、装置、电子设备和存储介质 | |
US11586838B2 (en) | End-to-end fuzzy entity matching | |
CN112329453B (zh) | 样本章节的生成方法、装置、设备以及存储介质 | |
CN116049397A (zh) | 基于多模态融合的敏感信息发现并自动分类分级方法 | |
CN112328798A (zh) | 文本分类方法以及装置 | |
CN112507090A (zh) | 用于输出信息的方法、装置、设备和存储介质 | |
CN112560985A (zh) | 神经网络的搜索方法、装置及电子设备 | |
CN114154550A (zh) | 域名对抗样本生成方法以及装置 | |
CN112232089B (zh) | 语义表示模型的预训练方法、设备和存储介质 | |
WO2020041859A1 (en) | System and method for building and using learning machines to understand and explain learning machines | |
CN110738261B (zh) | 图像分类和模型训练方法、装置、电子设备及存储介质 | |
CN111563541B (zh) | 图像检测模型的训练方法和装置 | |
CN116383521B (zh) | 主题词挖掘方法及装置、计算机设备及存储介质 | |
CN111738325A (zh) | 图像识别方法、装置、设备以及存储介质 | |
CN111582139A (zh) | 一种排污口识别方法、装置、电子设备和存储介质 |
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 |