CN111159426B - 一种基于图卷积神经网络的产业图谱融合方法 - Google Patents

一种基于图卷积神经网络的产业图谱融合方法 Download PDF

Info

Publication number
CN111159426B
CN111159426B CN201911394386.8A CN201911394386A CN111159426B CN 111159426 B CN111159426 B CN 111159426B CN 201911394386 A CN201911394386 A CN 201911394386A CN 111159426 B CN111159426 B CN 111159426B
Authority
CN
China
Prior art keywords
entity
graph
matching
local
atlas
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
Application number
CN201911394386.8A
Other languages
English (en)
Other versions
CN111159426A (zh
Inventor
熊盛武
陈小英
陈伟
王盛
谢泽丰
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201911394386.8A priority Critical patent/CN111159426B/zh
Publication of CN111159426A publication Critical patent/CN111159426A/zh
Application granted granted Critical
Publication of CN111159426B publication Critical patent/CN111159426B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于图卷积神经网络的产业图谱融合方法，基于构建的若干产业子图谱，通过构建图谱的局部实体子图，利用图谱中的属性三元组的属性嵌入将实体的结构嵌入转换到相同的向量空间当中，形成实体嵌入向量，将实体对齐问题转换为图匹配的问题，进一步利用图注意力的方法，形成局部匹配向量，在通过GCN使局部匹配信息在图中传播，形成图级的匹配向量，最终通过一个双层的前馈神经网络得到图谱中实体对齐。本发明通过属性嵌入将实体的结构嵌入转换到相同向量空间中，缓解了预对齐实体不足的问题，进一步利用图注意力将图谱中实体对齐问题转化为图匹配问题。为优化产业结构，优化区域结构，提升产业核心竞争力，提供了智力支持。

Description

一种基于图卷积神经网络的产业图谱融合方法
技术领域
本发明属于深度学习与自然语言处理技术领域，涉及一种基于图卷积神经网络的产业图谱融合方法，为宏观经济领域提供决策支持。
背景技术
近年来，人工智能在全球蓬勃发展，其成功离不开知识图谱的贡献。构建以工业领域汽车产业为代表的特定领域知识图谱，为推进湖北新型工业化进程，优化产业结构，优化区域结构，提升产业核心竞争力，服务于全省工业高质量发展提供了智力支持。本发明专利主要是通过实体对齐技术将汽车产业领域新能源汽车产业图谱、燃油汽车产业图谱、网联汽车产业图谱有效融合，形成包含产业结构、产业分布、产业分工、产业内企业关系等因素的汽车产业图谱。
当前实体对齐技术，传统的方法主要分为两种：一种是基于实体的标签信息。在实际的应用过程中效果并不是很理想，并且跨语言的知识图谱实体对齐很大程度上取决与机器翻译的效果；另一种是基于人工定义特征。这种方法在不同的问题背景下涉及的特征有所不同，很难迁移到其他应用场景。近几年，基于嵌入表示的学习方法越来越流行，主要是通过将知识图谱中的关系三元组以及属性三元组中的实体映射为低维向量空间中的一个点。在现行的技术实现中，多是关注知识图谱中的关系三元组，考虑到其局部结构信息，但是很少有工作考虑到属性三元组的信息。因此在实体对齐的过程中，考虑到图谱中大量的属性三元组，利用图级的全局匹配信息对于图谱融合非常重要。
发明内容：
为了解决上述技术问题，本发明提供了一种基于图卷积神经网络的产业图谱融合方法。
本发明所采用的技术方案是：一种基于图卷积神经网络的产业图谱融合方法，其特征在于，包括以下步骤：
步骤1：基于构建的若干产业子图谱，将产业子图谱内实体、关系以及属性向量化；
步骤2：通过构建与当前实体直接相连的邻接实体集合，得到实体的局部子图，将实体局部子图中的三元组分为属性三元组<h，r，a>和关系三元组<h，r，t>；其中，h表示三元组中头实体的嵌入向量，r表示三元组中关系的嵌入向量，a表示属性三元组中属性值向量，t表示三元组中尾实体的嵌入向量。
步骤3：在实体局部子图中使用实体的属性字符嵌入将实体的结构嵌入转换到同一向量空间当中，得到同一向量空间不同知识图谱中实体的嵌入表示；
步骤4：将知识图谱中实体对齐的问题转换为实体局部子图的图匹配问题，进一步利用图注意力方法，首先获得实体局部子图中实体的局部匹配向量；
步骤5：利用图卷积神经网络GCN，在整个图中传播局部匹配信息，为每个实体局部子图生成一个图级的全局匹配向量；
步骤6：将图级的全局匹配向量作为一个双层前馈神经网络输入，并在输出层运用softmax函数获得最后实体对齐的概率。
本发明基于构建的若干产业子图谱，通过构建图谱的局部实体子图，利用图谱中的属性三元组的属性嵌入将实体的结构嵌入转换到相同的向量空间当中，形成实体嵌入向量，将实体对齐问题转换为图匹配的问题，进一步利用图注意力的方法，形成局部匹配向量，在通过GCN使局部匹配信息在图中传播，形成图级的匹配向量，最终通过一个双层的前馈神经网络得到图谱中实体对齐。
相对于现有技术，本发明提出了一种基于图卷积神经网络的产业图谱融合方法，基于构建的若干产业子图谱，通过构建图谱的局部实体子图，利用图谱中的属性三元组的属性嵌入将实体的结构嵌入转换到相同的向量空间当中，形成实体嵌入向量，缓解了预对齐实体不足的问题。进一步利用图注意力的方法，将实体对齐问题转换为图匹配的问题，形成局部匹配向量，在通过GCN使局部匹配信息在图中传播，形成图级的匹配向量，最终通过一个双层的前馈神经网络得到图谱中实体对齐。通过实体对齐融合若干产业子图谱，形成湖北省汽车产业知识库，为推进湖北新型工业化进程，优化产业结构，优化区域结构，提升产业核心竞争力，服务于全省工业高质量发展提供了智力支持。
附图说明
图1为本发明实施例点的流程图；
图2为本发明实施例点的转换实体局部子图到同一向量空间图；
图3为本发明实施例点的基于GCN的图注意力匹配图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
请见图1，本发明提供的一种基于图卷积神经网络的产业图谱融合方法，包括以下步骤：
步骤1：基于构建的若干产业子图谱，将产业子图谱内实体、关系以及属性向量化；
本实施例中，基于构建的湖北省汽车产业的三类子产业图谱(新能源汽车产业图谱、燃油车产业图谱以及智能网联汽车产业图谱)，将产业图谱内实体、关系以及属性向量化(Embedding)。为了发挥知识图谱的图性，也为了得到统计学习(包括机器学习和深度学习)的优势，需要将知识图谱嵌入(embedding)到一个低维空间里。
本实施例，利用TransE模型将子图谱中的所有三元组的实体、关系以及属性映射到一个低维(嵌入的维度根据实际需要可以调整的，大概为100左右)的向量空间，作为后续步骤的输入。
TransE模型基于实体和关系的分布式向量表示，将每个三元组实例<h，r，t)中的关系r看做从实体h到实体t的翻译，使(h+r)尽可能与t相等，即h+r≈t；这种嵌入模型的目的是保存实体的结构信息，称之为结构嵌入。
为了学习结构嵌入，TransE模型最小化基于边缘的目标函数
Figure GDA0004118162940000032
Figure GDA0004118162940000031
其中Tr为图谱中的三元组，T′r为负样本，γ为超参数，函数f()为判定是三元组合理性的得分函数f(tr)＝||h+r-t||，tr表示一个合理的三元组，t′γ表示一个不合理的三元组；Tr表示合理属性三元组集合，T′r表示不合理属性三元组集合。
步骤2：通过构建与当前实体直接相连的邻接实体集合，得到实体的局部子图，将实体局部子图中的三元组分为属性三元组<h，r，a>和关系三元组<h，r，t>；其中，h表示三元组中头实体的嵌入向量，r表示三元组中关系的嵌入向量，a表示属性三元组中属性值向量，t表示三元组中尾实体的嵌入向量。
如图2所示，本实施例首先收集当前实体直接相连的邻接实体，得到一组实体集合{e1，...，en}，根据三元组尾实体的类型，分为属性三元组<h，r，a>和关系三元组<h，r，t>；然后利用TransE得到局部子图中实体的结构嵌入和属性嵌入，目标函数分别为：
Figure GDA0004118162940000041
Figure GDA0004118162940000042
其中f(ta)＝||h+r-fa(a)||，a为属性值序列。fa(a)基于N-gram的组合函数，将属性值编码为单一向量，公式为：
Figure GDA0004118162940000043
其中，cj表示属性值的字符序列中的第i个字符，N表示N-gram组合中n的最大值，ta表示合理的属性三元组，t′a表示不合理的属性三元组(用一个随机实体替换三元组的头实体或用随机替换属性值)，Ta表示合理属性三元组集合，T′a表示不合理属性三元组集合，t表示属性值的长度，i表示处理的属性值序列中的第i个。
步骤3：在实体局部子图中使用实体的属性字符嵌入将实体的结构嵌入转换到同一向量空间当中，得到同一向量空间不同知识图谱中实体的嵌入表示；
本实施例中，因为属性即使在不同知识图谱中的表现形式不同，也是非常相似的，所以通过TransE模型得到的实体的属性嵌入hce，通过最小化目标函数J＝∑h∈G1∪G2[1-cos(hse，hce)]，将结构嵌入hse转换到相同的向量空间中，使得同一向量空间实体结构嵌入和属性嵌入能够从两个知识图谱中捕获实体之间的相似性；其中，G1表示一个产业子图谱，G2表示另一个产业子图谱。hce表示实体的属性嵌入，hse表示实体的结构嵌入；最终得到局部实体子图中在同一向量空间中实体的嵌入集合{e1，...，en}，n为局部实体子图中实体个数。
步骤4：将知识图谱中实体对齐的问题转换为实体局部子图的图匹配问题，进一步利用图注意力方法，首先获得实体局部子图中实体的局部匹配向量；
本实施例中，通过属性嵌入转换得到的局部实体子图中实体的嵌入向量，将实体的对齐问题转换为实体局部子图的图匹配问题，进一步利用图注意力方法，首先计算一个产业子图谱中的实体嵌入与另一个产业子图谱中全部实体的余弦相似度作为权重，通过对另一个产业子图谱全部实体嵌入的加权求和得到注意力向量，最后通过一个多角度的余弦匹配函数计算实体的局部匹配向量。
图3所示，计算一个产业子图谱G1中的实体
Figure GDA0004118162940000051
与另一个产业子图谱G2中所有实体
Figure GDA0004118162940000052
余弦相似度：
Figure GDA0004118162940000053
将αi，j作为权重，通过对G2的所有实体嵌入的加权求和，计算出整个图G2的关注向量。计算公式如下：
Figure GDA0004118162940000054
然后通过一个多角度的余弦匹配函数fm，计算实体的局部实体图的匹配向量：
Figure GDA0004118162940000055
Figure GDA0004118162940000056
对于
Figure GDA0004118162940000057
W是l×d的训练参数，l是角度数量；m中每一个元素mk∈m是第k个角度的匹配值，
Figure GDA0004118162940000058
这里的
Figure GDA0004118162940000059
分别表示两个产业图谱的关注向量，是一个整体。
Figure GDA00041181629400000510
是
Figure GDA00041181629400000511
的统称。
Figure GDA00041181629400000512
是一个整体，表示通过多角度的余弦匹配函数生成的匹配向量。Wk表示参数矩阵W的第k行。
步骤5：利用图卷积神经网络GCN，在整个图中传播局部匹配信息，为每个实体局部子图生成一个图级的全局匹配向量；
本实施例中，利用得到的局部匹配向量，每个节点都表示为自己的匹配状态，使用另一个相同的图卷积神经网络GCN在整个图中传播局部匹配信息，将这些局部匹配向量输入到一个全连接神经网络中，并运用平均池化的方法，最终生成一个图级匹配的向量表示；
请见图3，图卷积神经网络GCN中层之间的传播方式为：
Figure GDA00041181629400000513
其中，σ是ReLU激活函数，
Figure GDA00041181629400000514
加自连接的连接矩阵，
Figure GDA00041181629400000515
是节点度矩阵，W(l)是l层的权重矩阵，H(l)表示GCN中第l层实体的嵌入矩阵；每个节点都表示自己的匹配状态，使用一个GCN在图中传播局部匹配信息，将这些局部匹配向量输入到一个全连接神经网络中，并运用平均池化生成固定长度的图级匹配向量。
步骤6：将图级的全局匹配向量作为一个双层前馈神经网络输入，并在输出层运用softmax函数获得最后实体对齐的概率；
本实施例中，在基于图卷积神经网络的产业图谱融合整个框架训练时，利用随机梯度下降法去求得模型的参数。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (9)

1.一种基于图卷积神经网络的产业图谱融合方法，其特征在于，包括以下步骤：
步骤1：基于构建的若干产业子图谱，将产业子图谱内实体、关系以及属性向量化；
步骤2：通过构建与当前实体直接相连的邻接实体集合，得到实体的局部子图，将实体局部子图中的三元组分为属性三元组<h,r,a>和关系三元组<h,r,t>；其中，h表示三元组中头实体的嵌入向量，r表示三元组中关系的嵌入向量，a表示属性三元组中属性值向量，t表示三元组中尾实体的嵌入向量；
步骤3：在实体局部子图中使用实体的属性字符嵌入将实体的结构嵌入转换到同一向量空间当中，得到同一向量空间不同知识图谱中实体的嵌入表示；
步骤4：将知识图谱中实体对齐的问题转换为实体局部子图的图匹配问题，进一步利用图注意力方法，首先获得实体局部子图中实体的局部匹配向量；
步骤5：利用图卷积神经网络GCN，在整个图中传播局部匹配信息，为每个实体局部子图生成一个图级的全局匹配向量；
步骤6：将图级的全局匹配向量作为一个双层前馈神经网络输入，并在输出层运用softmax函数获得最后实体对齐的概率。
2.根据权利要求1所述的基于图卷积神经网络的产业图谱融合方法，其特征在于：步骤1中，利用TransE模型将子图谱中的所有三元组的实体、关系以及属性映射到一个低维的向量空间。
3.根据权利要求2所述的基于图卷积神经网络的产业图谱融合方法，其特征在于：步骤1中，产业子图谱内实体、关系以及属性嵌入向量表示通过TransE模型得到，从而得到三元组的嵌入向量表示；
TransE模型基于实体和关系的分布式向量表示，将每个三元组实例<h,r,t>中的关系r看做从实体h到实体t的翻译，使(h+r)尽可能与t相等，即h+r≈t；这种嵌入模型的目的是保存实体的结构信息，称之为结构嵌入；
为了学习结构嵌入，TransE模型最小化，基于边缘的目标函数
Figure FDA0004118162930000011
Figure FDA0004118162930000012
其中Tr为图谱中的三元组，T′r为负样本，γ为超参数，函数f()为判定是三元组合理性的得分函数，tr表示一个合理的三元组，t′r表示一个不合理的三元组。
4.根据权利要求l所述的基于图卷积神经网络的产业图谱融合方法，其特征在于：步骤2中，首先收集当前实体直接相连的邻接实体，得到一组实体集合{e1，...，en}，根据三元组尾实体的类型，分为属性三元组<h，r，a>和关系三元组<h，r，t)；然后利用TransE得到局部子图中实体的结构嵌入和属性嵌入，目标函数分别为：
Figure FDA0004118162930000021
Figure FDA0004118162930000022
其中Tr为图谱中的三元组，T′r为负样本，γ为超参数，函数f()为判定是三元组合理性的得分函数，tr表示一个合理的三元组，t′r表示一个不合理的三元组。
5.根据权利要求4所述的基于图卷积神经网络的产业图谱融合方法，其特征在于：步骤3中，通过TransE模型得到的实体的属性嵌入hce，通过最小化目标函数J＝∑h∈G1∪G2[1-cos(hse，hce)]，将结构嵌入hse转换到相同的向量空间中，使得同一向量空间实体结构嵌入和属性嵌入能够从两个知识图谱中捕获实体之间的相似性；其中，G1表示一个产业子图谱，G2表示另一个产业子图谱，hce表示实体的属性嵌入，hse表示实体的结构嵌入；最终得到局部实体子图中在同一向量空间中实体的嵌入集合{e1，...，en}，n为局部实体子图中实体个数。
6.根据权利要求1所述的基于图卷积神经网络的产业图谱融合方法，其特征在于：步骤4中，通过属性嵌入转换得到的局部实体子图中实体的嵌入向量，将实体的对齐问题转换为实体局部子图的图匹配问题，进一步利用图注意力方法，首先计算一个产业子图谱中的实体嵌入与另一个产业子图谱中全部实体的余弦相似度作为权重，通过对另一个产业子图谱全部实体嵌入的加权求和得到注意力向量，最后通过一个多角度的余弦匹配函数计算实体的局部匹配向量。
7.根据权利要求6所述的基于图卷积神经网络的产业图谱融合方法，其特征在于：步骤4中，计算一个产业子图谱G1中的实体
Figure FDA0004118162930000023
与另一个产业子图谱G2中所有实体
Figure FDA0004118162930000024
余弦相似度：
Figure FDA0004118162930000025
将αi,j作为权重，通过对G2的所有实体嵌入的加权求和，计算出整个图G2的关注向量；计算公式如下：
Figure FDA0004118162930000031
然后通过一个多角度的余弦匹配函数fm，计算实体的局部实体图的匹配向量：
Figure FDA0004118162930000032
Figure FDA0004118162930000033
对于
Figure FDA0004118162930000034
W是l×d的训练参数，l是角度数量；m中每一个元素mk∈m是第k个角度的匹配值，
Figure FDA0004118162930000035
其中，
Figure FDA0004118162930000036
分别表示两个产业图谱的关注向量，是一个整体；
Figure FDA0004118162930000037
是
Figure FDA0004118162930000038
的统称；
Figure FDA0004118162930000039
是一个整体表示通过多角度的余弦匹配函数生成的匹配向量；Wk表示参数矩阵W的第k行。
8.根据权利要求1所述的基于图卷积神经网络的产业图谱融合方法，其特征在于：步骤5中，利用得到的局部匹配向量，每个节点都表示为自己的匹配状态，使用另一个相同的图卷积神经网络GCN在整个图中传播局部匹配信息，将这些局部匹配向量输入到一个全连接神经网络中，并运用平均池化的方法，最终生成一个图级匹配的向量表示；
其中，图卷积神经网络GCN中层之间的传播方式为：
Figure FDA00041181629300000310
其中，σ是ReLU激活函数，
Figure FDA00041181629300000311
加自连接的连接矩阵，
Figure FDA00041181629300000312
是节点度矩阵，W(l)是l层的权重矩阵，H(l)表示GCN中第l层实体的嵌入矩阵；每个节点都表示自己的匹配状态，使用一个GCN在图中传播局部匹配信息，将这些局部匹配向量输入到一个全连接神经网络中，并运用平均池化生成固定长度的图级匹配向量。
9.根据权利要求1所述的基于图卷积神经网络的产业图谱融合方法，其特征在于：步骤6中，在基于图卷积神经网络的产业图谱融合训练时，利用随机梯度下降法去求得模型的参数。
CN201911394386.8A 2019-12-30 2019-12-30 一种基于图卷积神经网络的产业图谱融合方法 Active CN111159426B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911394386.8A CN111159426B (zh) 2019-12-30 2019-12-30 一种基于图卷积神经网络的产业图谱融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911394386.8A CN111159426B (zh) 2019-12-30 2019-12-30 一种基于图卷积神经网络的产业图谱融合方法

Publications (2)

Publication Number Publication Date
CN111159426A CN111159426A (zh) 2020-05-15
CN111159426B true CN111159426B (zh) 2023-04-18

Family

ID=70559184

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911394386.8A Active CN111159426B (zh) 2019-12-30 2019-12-30 一种基于图卷积神经网络的产业图谱融合方法

Country Status (1)

Country Link
CN (1) CN111159426B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931505A (zh) * 2020-05-22 2020-11-13 北京理工大学 一种基于子图嵌入的跨语言实体对齐方法
CN111723587A (zh) * 2020-06-23 2020-09-29 桂林电子科技大学 一种面向跨语言知识图谱的汉泰实体对齐方法
CN111739657B (zh) * 2020-07-20 2020-12-15 北京梦天门科技股份有限公司 基于知识图谱的流行病感染者预测方法及系统
CN112131395B (zh) * 2020-08-26 2023-09-26 浙江工业大学 一种基于动态阈值的迭代式知识图谱实体对齐方法
CN112084383B (zh) * 2020-09-07 2023-08-18 中国平安财产保险股份有限公司 基于知识图谱的信息推荐方法、装置、设备及存储介质
CN111930519B (zh) * 2020-09-22 2020-12-15 北京一流科技有限公司 用于分布式数据处理的并行决策系统及其方法
CN112132223B (zh) * 2020-09-27 2024-02-27 腾讯科技（深圳）有限公司 图池化方法、装置、设备以及存储介质
CN112215500B (zh) * 2020-10-15 2022-06-28 支付宝(杭州)信息技术有限公司 账号关系识别方法及装置
CN113111657B (zh) * 2021-03-04 2024-05-03 浙江工业大学 一种跨语言知识图谱对齐与融合方法、装置及存储介质
CN112667864B (zh) * 2021-03-17 2021-06-22 腾讯科技（深圳）有限公司 图对齐方法、装置、电子设备及存储介质
CN112800770B (zh) * 2021-04-15 2021-07-09 南京樯图数据研究院有限公司 一种基于异构图注意力网络的实体对齐方法
CN113254663B (zh) * 2021-04-21 2022-06-17 浙江工业大学 一种融合图卷积与翻译模型的知识图谱联合表示学习方法
CN113361533A (zh) * 2021-05-19 2021-09-07 山东师范大学 重叠遮挡的目标物的分割识别方法及系统
CN113326361B (zh) * 2021-05-25 2023-03-21 武汉理工大学 一种基于汽车产业图谱知识问答方法、系统及电子设备
CN116194911A (zh) * 2021-09-29 2023-05-30 京东方科技集团股份有限公司 资产价值评估方法、模型训练方法、装置及可读存储介质
CN115544336A (zh) * 2022-12-01 2022-12-30 南方电网数字电网研究院有限公司 产业链生成方法、装置、计算机设备和存储介质
CN116565979B (zh) * 2023-07-10 2023-11-28 国网信息通信产业集团有限公司 一种包含多微网的主动配电网调度方法
CN117149839B (zh) * 2023-09-14 2024-04-16 中国科学院软件研究所 一种面向开源软件供应链的跨生态软件检测方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109885698A (zh) * 2019-02-13 2019-06-14 北京航空航天大学 一种知识图谱构建方法及装置、电子设备
CN110347847A (zh) * 2019-07-22 2019-10-18 西南交通大学 基于神经网络的知识图谱补全方法
CN110472235A (zh) * 2019-07-22 2019-11-19 北京航天云路有限公司 一种面向中文文本的端到端实体关系联合抽取方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11074495B2 (en) * 2013-02-28 2021-07-27 Z Advanced Computing, Inc. (Zac) System and method for extremely efficient image and pattern recognition and artificial intelligence platform

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109885698A (zh) * 2019-02-13 2019-06-14 北京航空航天大学 一种知识图谱构建方法及装置、电子设备
CN110347847A (zh) * 2019-07-22 2019-10-18 西南交通大学 基于神经网络的知识图谱补全方法
CN110472235A (zh) * 2019-07-22 2019-11-19 北京航天云路有限公司 一种面向中文文本的端到端实体关系联合抽取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
熊盛武 等.基于可信向量的知识图谱上下文感知表示学习.《武汉大学学报(理学版)》.2019,全文. *

Also Published As

Publication number Publication date
CN111159426A (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
CN111159426B (zh) 一种基于图卷积神经网络的产业图谱融合方法
CN111291836B (zh) 一种生成学生网络模型的方法
CN112131404B (zh) 一种四险一金领域知识图谱中实体对齐方法
CN109948029B (zh) 基于神经网络自适应的深度哈希图像搜索方法
CN111489358A (zh) 一种基于深度学习的三维点云语义分割方法
WO2022011681A1 (zh) 一种基于迭代补全的知识图谱融合方法
CN107679556A (zh) 基于变分自动编码器的零样本图像分类方法
CN110851566B (zh) 一种应用于命名实体识别的可微分网络结构搜索的方法
CN112685504B (zh) 一种面向生产过程的分布式迁移图学习方法
CN112800770B (zh) 一种基于异构图注意力网络的实体对齐方法
CN105550649A (zh) 基于全耦合局部约束表示的极低分辨率人脸识别方法及系统
CN113297429B (zh) 一种基于神经网络架构搜索的社交网络链路预测方法
CN113837191B (zh) 基于双向无监督域适应融合的跨星遥感图像语义分割方法
CN111931813A (zh) 一种基于cnn的宽度学习分类方法
CN116383401A (zh) 一种融合文本描述与图卷积机制的知识图谱补全方法
CN116226467A (zh) 基于节点结构特征的图卷积神经网络的社区发现方法
CN115601745A (zh) 一种面向应用端的多视图三维物体识别方法
CN115019053A (zh) 一种用于点云分类分割的动态图语义特征提取方法
CN113792551A (zh) 一种基于混合式迁移学习的命名实体识别方法
CN113743168B (zh) 一种基于可微深度神经网络搜索的城市飞行物识别方法
Peng et al. Medium and Long Term Scenario Generation Method Based on Autoencoder and Generation Adversarial Network
CN117150147A (zh) 基于结构中心扩散的图卷积神经网络的社区发现方法
CN111815636B (zh) 一种矢量路网的自适应紧凑图像分割方法
CN114936296B (zh) 超大规模知识图谱存储的索引方法、系统及计算机设备
CN112183546B (zh) 一种具有权重约束的基于空间最近邻的图像分割方法

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