CN111046187B - 基于对抗式注意力机制的一样本知识图谱关系学习方法及系统 - Google Patents
基于对抗式注意力机制的一样本知识图谱关系学习方法及系统 Download PDFInfo
- Publication number
- CN111046187B CN111046187B CN201911105384.2A CN201911105384A CN111046187B CN 111046187 B CN111046187 B CN 111046187B CN 201911105384 A CN201911105384 A CN 201911105384A CN 111046187 B CN111046187 B CN 111046187B
- Authority
- CN
- China
- Prior art keywords
- representation
- vector
- relation
- attention
- relationship
- 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
- G06F16/30—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
- 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
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种基于对抗式注意力机制的一样本知识图谱关系学习方法及系统,包括:获取目标知识图谱中关系三元组及其对应的自然文本描述;对目标知识图谱进行表示学习获得三元组的向量表示;对三元组相应的文本描行表示学习获得文本中词向量表示;构建带去噪注意力模块和混淆注意力模块的条件对抗式生成网络;对条件对抗式生成网络进行优化训练,基于训练好的条件对抗式生成网络,预测未见关系类型ru的关系查询所对应的目标实体。本发明将传统的关系预测的关系类别从可见关系扩大到未见关系类别,增大了预测关系类别的范围。并将训练数据的规模从传统的大数据规模降低到只需少量样本甚至一个样本即可实现对未见关系的学习和预测。
Description
技术领域
本发明涉及面向知识图谱的关系抽取技术领域,尤其涉及一种基于对抗式注意力机制的一样本知识图谱关系学习方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
大规模知识图谱将片段化的知识表示成实体间二进制关系,通常表示成三元组的形式:(主语,谓语,宾语)。这种结构化的知识对很多下游的应用,如,自动问答,推荐系统,语义网络搜索等任务都起到重要的支撑作用。然而,虽然目前的知识图谱规模都很宏大,但是这些知识图谱还远远不够完善,难以应对智能系统日益增长的需求。为了实现知识图谱的自动完善,大量的知识图谱领域的研究者致力于通过构建关系学习模型从现有的知识图谱中预测缺失的三元组,如给定关系三元组的一个实体,预测与其具有某种关系的另一实体。其中具有代表性的关系学习模型有基于表示学习的关系学习方法和基于少样本(或一样本)的关系学习方法。
基于表示学习的关系学习模型主要是通过对大量标注样本进行训练,采用深度神经网络通过对关系和实体的语义进行编码,从而实现从符号空间到向量空间的映射,基于关系和实体的向量表示最终实现对缺失关系的预测。然而,基于表示学习的缺点是该方法假设所有关系和实体都具有足够多的训练样本,难以处理只有少量训练样本的关系类型。同时,该方法无法实现对训练集中没有的关系类型(未见关系)的预测。
基于少样本(或一样本)的关系学习方法主要是在有限样本(或只有一个样本)的条件下,实现对未见关系的预测和分类。该类方法的关键是如何通过可见关系(训练集中包含的关系)和有限(或一个样本)的未见关系类别的训练样本,学习到一个能够实现可见和未见关系之间知识共享和归纳传递的中间语义表示。目前,基于少样本或零样本的方法大都集中在图像和模仿领域,应用到知识图谱的关系抽取领域的很少。同时,现有方法大都需要构建领域信息,并且很难真正实现自动的类别间的知识共享和归纳传递。
发明内容
为了解决上述问题,本发明提出了一种基于对抗式注意力机制的一样本知识图谱关系学习方法及系统,可以利用基于表示学习的关系学习方法的优势,并使用对抗式一样本的关系学习方法只采用一个训练样本即可获得对该关系的语义表示,从而实现从对该类关系的查询或预测。弥补了表示学习方法需要大量训练样本和难以处理未见关系类别的不足,实现对知识图谱中缺失关系的预测。
在一些实施方式中,采用如下技术方案:
一种基于对抗式注意力机制的一样本知识图谱关系学习方法,包括:
获取目标知识图谱中关系三元组及其对应的自然文本描述;
对目标知识图谱进行表示学习获得三元组的向量表示;
对三元组相应的文本描述进行表示学习获得文本中词向量表示;
构建带去噪注意力模块和混淆注意力模块的条件对抗式生成网络;
对条件对抗式生成网络进行优化训练,基于训练好的条件对抗式生成网络,预测未见关系类型ru的关系查询(eq,ru,?)所对应的目标实体。
其中,?代表与实体eq对应的、符合ru关系的实体。
比如,在自动问答领域,给定一个未见关系:<A,配偶,?>,?代表与A满足配偶关系的实体,比如,与张三满足配偶关系的是谁。当然,未见关系是根据需要自行设定的。
在另一些实施方式中,采用如下技术方案:
一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行上述的基于对抗式注意力机制的一样本知识图谱关系学习方法。
在另一些实施方式中,采用如下技术方案:
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行上述的基于对抗式注意力机制的一样本知识图谱关系学习方法。
与现有技术相比,本发明的有益效果是:
本发明将传统的关系预测的关系类别从可见关系扩大到未见关系类别,增大了预测关系类别的范围。并将训练数据的规模从传统的大数据规模降低到只需少量样本甚至一个样本即可实现对未见关系的学习和预测,因此,具有较好的领域适应性。
本发明通过引入条件对抗式生成网络,可以实现从关系描述的自然文本到关系语义的映射,其采用的两层注意力机制,大大降低了条件生成对抗网络的条件输入(文本描述)噪声,同时增加了判别难度,保证了关系表示生成的语义方向。在对条件对抗生成网络进行训练的过程中,我们引入视觉枢轴正则化损失,从而增加了类间关系区分度,相比于传统的条件式对抗生成网络,能够生成更逼真的生成数据。
附图说明
图1为本发明实施例一中基于对抗式注意力机制的一样本知识图谱关系学习方法流程图;
图2为本发明实施例一中对未见关系预测过程的流程图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施例中,公开了一种基于对抗式注意力机制的一样本知识图谱关系学习方法,参照图1,包括:
第一步:获取目标知识图谱中关系三元组及其对应的自然文本描述。
第二步:对目标知识图谱进行表示学习获得三元组的向量表示。
第三步:对三元组相应的文本描述进行表示学习获得文本中词向量表示。
采用词向量表示方法获得每个词的向量表示vi,{i=1,2,3…V}。
第四步:构建三元组和其相应文本描述的去噪注意力模块。
采用第二步中的三元组ti作为文本描述的注意力向量(监督向量),计算其与第三步中文本描述中每个词vi之间的注意力权重,并将计算出来的注意力权重加权到每个单词上,通过一个全连接层,得到文本描述的向量表示ti,{i=1,2,3…S}。
第五步:构建文本描述为输入,输出为关系表示向量的生成器。
第六步:构建三元组和关系表示向量之间的混淆注意力模块。
第七步:构建三元组向量和带注意力权重的关系表示向量的判别器。
第六步中获得的新的关系表示和三元组xi进行拼接,经过一层全连接层,之后再输入到两个并联的全连接层,两个全连接层分别输出对关系真假的判别ci∈{fake,real},和关系类别的预测li,{i=1,2,3…N},判别器的全连接层的参数为φ。
第八步:训练生成器和判别器构成的条件对抗式生成网络。
第九步:基于训练好的生成器,预测未见关系类型ru的关系查询(eq,ru,?)所对应的目标实体。
本发明提出的方法,可以基于一个未见关系的唯一训练样本及其文本描述实现对该关系类型的关系实例查询。比如:可以应用于自动问答领域,实现面向图谱关系的自动问答。如,给定一个未见关系:配偶,其唯一训练样本三元组<A,配偶,B>及其文本描述:
“A的现任妻子为中国著名歌唱家B,两人于于1987年9月1日在厦门结婚,并育有一女C。”
基于本发明提出的方法可以实现对该类关系的实例查询,如(A,配偶,?),即可以应用于自动问答系统中的实现对该类关系的自动答案抽取:
问:A的配偶是谁?
答:B。
其中,知识图谱中包含有通过维基百科数据或百度百科数据获得的大量的关系三元组。举例来说,针对配偶关系,<A,配偶,B>,<D,配偶,E>…等都是该关系的三元组;针对任职关系,<F,任职于,微软公司>,<G,任职于,淘宝公司>…等等。通过知识表示方法可以将知识图谱中所有三元组进行特征表示,每个三元组都被表示成一个向量。
上述实施例中,A、B、C、D、E、F、G均是代表人的名字。
下面对本发明方法进行具体说明。
1.关系三元组的表示学习
知识表示学习主要是面向知识图谱中的实体和关系进行表示学习,即使用建模方法将实体和向量表示在低维稠密向量空间中,然后再进行计算和推理。假设知识图谱中包含有L个关系,每个关系rn包含描述该关系的Ln个关系三元组,则通过基于知识的表示学习的方法对知识图谱进行预训练,可以实现将每个关系rn的任意一个三元组中的实体和关系分别表示成向量的形式和这里直接采用实体向量的拼接作为该三元组的表示本发明选取一种知识表示学习方法对知识三元组进行表示,得到T个三元组表示向量xi{i=1,2,...,T}。
2.文本的词向量表示
文本的词向量表示即,将自然语言文本通过训练的方式,编码其上下文的句法和语义信息,从而将文本中的词表示成一个低维稠密向量的方法。本部分我们可以选取一种词向量表示学习模型,该模型可以将训练语料中包含的|V|个词表示成一个d=|V|的词向量字典We,其中d为词向量的维度,则对于一个包含M个词语的文本描述t={w1,w2,…,wm},其每一个词语wi在整个词表中的one-hot表示为hi∈{0,1}|V|,则计算词向量词典和该词语对应的one-hot向量的乘积We×hi,即为该词语的词向量表示vi,本发明选取一种词向量表示学习方法对词向量进行表示,得到文本中各个词的表示vi,{i=1,2,3,…|V|}。
3.带去噪注意力模块和混淆注意力模块的条件对抗式生成网络(CGAN)
条件对抗生成网络主要是指对原始的对抗式生成网络附加了约束,在生成模型和判别模型中引入了条件变量y(Conditional variable y),为模型引入了额外的信息,可指导性的生成数据。本发明采用三元组的文本描述作为条件输入,首先采用去噪注意力模块对文本描述进行去噪,只关注三元组描述的关系语义,将其输入到生成器中,监督生成器的特征生成。针对生成器的生成特征,采用混淆注意力模块,只选取生成特征中包含的三元组描述的关系语义,从而增加判别器的判别难度,最终通过对生成器和判别器的对抗训练,达到参数最优,完成条件生成网络的训练过程。
3.1.去噪注意力模块
由于三元组的描述文本中除了描述三元组的关系语义外还包含其他语义噪声,为了选取文本描述中的三元组关系语义,抑制其他语义,因此采用去噪注意力机制。该注意力机制通过将三元组向量作为注意力向量,只关注文本描述中包含的三元组关系语义。即通过该注意力机制,可以实现从文本描述中选取其三元组对应的关系语义。具体操作为:计算三元组表示向量xi和文本描述中每个词向量vi的余弦相似度<xi,vi>,得到其对应的关系注意力权重αi。将文本描述中所有词向量乘以其相应权重进行求和在通过一个全连接层即可得到文本描述的表示ti,{i=1,2,3…S}。
3.2混淆注意力模块
为了增加判别器的判别难度,本发明采用了混淆注意力模块。通过将三元组向量作为注意力(监督)向量,只关注生成器生成的向量表示中包含的三元组描述的关系语义,从而增加判别器对三元组向量和该向量进行判别时的判别难度。具体操作为:计算三元组表示向量xi和生成向量的余弦相似度即可得到其对应的关系注意力权重βi,将注意力权重乘到关系表示向量上,通过一个全连接层,获得生成向量的新的表示
3.3生成式对抗网络的训练
本发明对生成式对抗网络的判别器和生成器,采用条件对抗式生成网络的优化方法进行优化,具体的优化方法如下:
Step5:若迭代次数不到限定次数,则跳转至Step 1。
Step9:若迭代次数未达到限定次数,跳转至Step1。
参照图2,对未见关系的预测过程结合一具体实例进行阐述:
针对一个未见关系类别、其唯一训练样本(e1,ru,e2)及其对应的文本描述Tu,如,给定一个未见关系:配偶,该关系对应的唯一训练样本:(A,配偶,B),该三元组对应的文本描述:
“A的现任妻子为中国著名歌唱家B,两人于1987年9月1日在厦门结婚,两人育有一女C。”
Step4:针对一个查询(query)如(A,配偶),计算其与知识图谱中所有候选实体(如,B、C…等)组成的实体三元组向量xk和的余弦相似度,相似度最高的实体即为通过该系统预测的实体从而通过计算得到B的余弦相似度更高,这里已经假设所有的实体已包含在知识图谱中并已在第二步知识图谱的向量表示中被向量表示了。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (7)
1.基于对抗式注意力机制的一样本知识图谱关系学习方法,其特征在于,包括:
获取目标知识图谱中关系三元组及其对应的自然文本描述;
对目标知识图谱进行表示学习获得三元组的向量表示;
对三元组相应的文本描述进行表示学习获得文本中词向量表示;
构建带去噪注意力模块和混淆注意力模块的条件对抗式生成网络;
对条件对抗式生成网络进行优化训练,基于训练好的条件对抗式生成网络,预测未见关系ru的关系查询(eg,ru,?)所对应的目标实体;其中,?代表与实体eq对应的、未见关系ru的实体;
构建带去噪注意力模块和混淆注意力模块的条件对抗式生成网络,具体为:
构建以文本描述为输入,以关系表示向量为输出的生成器:采用三元组的文本描述作为条件输入,首先采用去噪注意力模块对文本描述进行去噪,只关注三元组描述的关系语义,将其输入到生成器中,监督生成器的特征生成;
构建三元组的向量表示与带注意力权重的关系表示向量的判别器:针对生成器的生成特征,采用混淆注意力模块增加判别器的判别难度,只选取生成特征中包含的三元组描述的关系语义;通过判别器输出判别结果;
基于上述构建的生成器和判别器,得到条件对抗式生成网络;
所述去噪注意力模块对文本描述进行去噪的过程具体为:
计算三元组表示向量xi和文本描述中每个词向量vi的余弦相似度<xi,vi>,得到其对应的关系注意力权重αi;
将文本描述中所有词向量乘以其相应关系注意力权重进行求和;
再通过一个全连接层即可得到文本描述的表示ti,{i=1,2,3…S};S为文本描述的个数;
所述采用混淆注意力模块增加判别器的判别难度的具体过程为:
计算三元组表示向量xi和生成向量的余弦相似度即可得到其对应的关系注意力权重βi,将注意力权重乘到关系表示向量上,通过一个全连接层,获得生成向量的新的表示T为向量的个数。
2.如权利要求1所述的基于对抗式注意力机制的一样本知识图谱关系学习方法,其特征在于,对目标知识图谱进行表示学习获得三元组的向量表示,具体为:
采用基于表示学习的方法得到对知识图谱中每个实体的向量表示,对于可见关系rs的一个三元组得到该关系实体三元组的向量表示xi,{i=1,2,3…T}。
3.如权利要求1所述的基于对抗式注意力机制的一样本知识图谱关系学习方法,其特征在于,对三元组相应的文本描述进行表示学习获得文本中词向量表示,具体为:
选取词向量表示学习模型,所述模型将训练语料中包含的|V|个词表示成一个d×|V|的词向量字典We,其中d为词向量的维度;
对于一个包含M个词语的文本描述t={w1,w2,…,wm},其每一个词语wi在整个词表中的独热编码表示为hi∈{0,1}|V|,则计算词向量词典和该词语对应的独热编码向量的乘积We×hi,即为该词语的词向量表示vi。
4.如权利要求1所述的基于对抗式注意力机制的一样本知识图谱关系学习方法,其特征在于,对条件对抗式生成网络进行优化训练,具体为:
Step1:随机选取一个可见关系类别子集获取其对应的文本描述以及随机采样随机噪声z;
Step2:针对每一关系rs,抽样其单位为m的批量三元组集合获取其对应的文本描述和随机采样随机噪声z;并通过生成器计算其生成的关系表示
Step3:从训练集中随机抽取实体,随机替换批量三元组集合中的第二个实体,组成负样本集合
Step4:计算批量三元组集合和生成数据的瓦瑟斯坦损失分类损失Lcls(Gθ(T,z)),Lcls(x)和梯度惩罚损失LGP,更新判别器的参数φ;
Step5:若迭代次数不到n次,则跳转至Step1;
Step6:随机选取一个可见关系类别子集获取其对应的文本描述以及随机采样随机噪声z;
Step7:针对每一关系r,抽样其单位为m的批量三元组集合并通过前馈计算生成器计算得到其生成的关系表示
Step8:计算批量三元组集合的生成数据的生成器的损失函数和分类损失函数Lcls(Gθ(Tr,z))以及视觉枢轴正则化损失更新生成器的参数θ;
Step9:若迭代次数未达到限定次数,跳转至Step1。
5.如权利要求1所述的基于对抗式注意力机制的一样本知识图谱关系学习方法,其特征在于,针对一个未见关系类别的唯一训练样本(e1,ru,e2)及其对应的文本描述T;e1和e2为给定的具有关系ru的两个实体;
Step1:获取三元组的向量表示xu以及对应文本的词向量集合
Step2:计算三元组向量和文本词向量之间的注意力权重并乘以其对应的词向量,求和获得最终的文本描述tu;
Step3:从高斯噪声N(0,1)采样nd个噪声zj,{j=1,2,3…nd},分别和文本描述tu输入到已训练好的生成器中,根据训练好的参数的生成器可以得到生成向量对生成的向量做平均得到关系表示向量
Step4:针对一个查询 表示给定的查询实体,计算其与知识图谱中所有候选实体组成的实体三元组向量xk和的余弦相似度,相似度最高的实体即为预测的实体
6.一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行权利要求1-5任一项所述的基于对抗式注意力机制的一样本知识图谱关系学习方法。
7.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行权利要求1-5任一项所述的基于对抗式注意力机制的一样本知识图谱关系学习方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911105384.2A CN111046187B (zh) | 2019-11-13 | 2019-11-13 | 基于对抗式注意力机制的一样本知识图谱关系学习方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911105384.2A CN111046187B (zh) | 2019-11-13 | 2019-11-13 | 基于对抗式注意力机制的一样本知识图谱关系学习方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111046187A CN111046187A (zh) | 2020-04-21 |
CN111046187B true CN111046187B (zh) | 2023-04-18 |
Family
ID=70232655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911105384.2A Active CN111046187B (zh) | 2019-11-13 | 2019-11-13 | 基于对抗式注意力机制的一样本知识图谱关系学习方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111046187B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111651557B (zh) * | 2020-05-09 | 2023-03-31 | 清华大学深圳国际研究生院 | 一种自动化文本生成方法、装置及计算机可读存储介质 |
CN112100392B (zh) * | 2020-07-28 | 2022-03-15 | 浙江大学 | 一种基于强化学习和知识图谱的设备故障溯因方法 |
CN112906785B (zh) * | 2021-02-09 | 2023-12-22 | 深圳大学 | 基于融合的零样本物体种类识别方法、装置及设备 |
CN113468077B (zh) * | 2021-09-06 | 2021-12-10 | 北京无疆脑智科技有限公司 | 认知能力测试方法、装置、电子设备和存储介质 |
CN114225427B (zh) * | 2021-11-17 | 2022-08-09 | 中国人民解放军军事科学院国防科技创新研究院 | 一种用于多实体对抗的对手关系识别方法及装置 |
CN114238648B (zh) * | 2021-11-17 | 2022-11-08 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于知识图谱的博弈对抗行为决策方法及装置 |
CN114513337B (zh) * | 2022-01-20 | 2023-04-07 | 电子科技大学 | 一种基于邮件数据的隐私保护链接预测方法及系统 |
CN114707005B (zh) * | 2022-06-02 | 2022-10-25 | 浙江建木智能系统有限公司 | 一种舰船装备的知识图谱构建方法和系统 |
CN117010494B (zh) * | 2023-09-27 | 2024-01-05 | 之江实验室 | 一种基于因果表示学习的医学数据生成方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197290A (zh) * | 2018-01-19 | 2018-06-22 | 桂林电子科技大学 | 一种融合实体和关系描述的知识图谱表示学习方法 |
CN109299284A (zh) * | 2018-08-31 | 2019-02-01 | 中国地质大学(武汉) | 一种基于结构信息与文本描述的知识图谱表示学习方法 |
CN109685116A (zh) * | 2018-11-30 | 2019-04-26 | 腾讯科技(深圳)有限公司 | 图像描述信息生成方法和装置及电子装置 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190122111A1 (en) * | 2017-10-24 | 2019-04-25 | Nec Laboratories America, Inc. | Adaptive Convolutional Neural Knowledge Graph Learning System Leveraging Entity Descriptions |
-
2019
- 2019-11-13 CN CN201911105384.2A patent/CN111046187B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197290A (zh) * | 2018-01-19 | 2018-06-22 | 桂林电子科技大学 | 一种融合实体和关系描述的知识图谱表示学习方法 |
CN109299284A (zh) * | 2018-08-31 | 2019-02-01 | 中国地质大学(武汉) | 一种基于结构信息与文本描述的知识图谱表示学习方法 |
CN109685116A (zh) * | 2018-11-30 | 2019-04-26 | 腾讯科技(深圳)有限公司 | 图像描述信息生成方法和装置及电子装置 |
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 |
Non-Patent Citations (2)
Title |
---|
zhang Chunyun et al..An Adaptive Sentence Representation Learning Model Based on Multi-gram CNN.《IEEE》.2017,第130-135页. * |
张钊等.用于知识表示学习的对抗式负样本生成.《计算机应用》.2019,第第39卷卷(第第39卷期),第2489-2493页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111046187A (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046187B (zh) | 基于对抗式注意力机制的一样本知识图谱关系学习方法及系统 | |
CN110008327B (zh) | 法律回答生成方法及装置 | |
JPWO2020174826A1 (ja) | 回答生成装置、回答学習装置、回答生成方法、及び回答生成プログラム | |
CN112015868B (zh) | 基于知识图谱补全的问答方法 | |
CN111061856A (zh) | 一种基于知识感知的新闻推荐方法 | |
CN110990555B (zh) | 端到端检索式对话方法与系统及计算机设备 | |
CN109376261B (zh) | 基于中级文本语义增强空间的模态独立检索方法和系统 | |
CN117216227B (zh) | 基于知识图谱与大语言模型的烟草企业智能信息问答方法 | |
CN113628059A (zh) | 一种基于多层图注意力网络的关联用户识别方法及装置 | |
CN114186084A (zh) | 在线多模态哈希检索方法、系统、存储介质及设备 | |
CN113505583A (zh) | 基于语义决策图神经网络的情感原因子句对提取方法 | |
CN114818703A (zh) | 基于BERT语言模型和TextCNN模型的多意图识别方法及系统 | |
CN117236410A (zh) | 一种可信的电子文件大语言模型训练、推理方法和装置 | |
Namuduri et al. | Automated quantification of DNA damage via deep transfer learning based analysis of comet assay images | |
CN112836007B (zh) | 一种基于语境化注意力网络的关系元学习方法 | |
CN113869005A (zh) | 一种基于语句相似度的预训练模型方法和系统 | |
CN117312680A (zh) | 一种基于用户-实体子图对比学习的资源推荐方法 | |
CN114579605B (zh) | 表格问答数据处理方法、电子设备及计算机存储介质 | |
Zeng et al. | RACMF: robust attention convolutional matrix factorization for rating prediction | |
Liu | POI recommendation model using multi-head attention in location-based social network big data | |
CN114021550A (zh) | 一种基于图卷积神经网络的新闻趋势预测系统及方法 | |
Zhang et al. | Business chatbots with deep learning technologies: State-of-the-art, taxonomies, and future research directions | |
CN113961667B (zh) | 一种基于Bert的动态阈值调整的智能问答系统 | |
Zheng et al. | [Retracted] Clustering and Analysis of Verbs in English Language Based on Artificial Intelligence | |
Xiao et al. | Combined prediction model of merchandise sales on the basis of differential evolution algorithm |
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 |