CN111291193A - 一种知识图谱在零次学习上的运用方法 - Google Patents

一种知识图谱在零次学习上的运用方法 Download PDF

Info

Publication number
CN111291193A
CN111291193A CN202010056662.6A CN202010056662A CN111291193A CN 111291193 A CN111291193 A CN 111291193A CN 202010056662 A CN202010056662 A CN 202010056662A CN 111291193 A CN111291193 A CN 111291193A
Authority
CN
China
Prior art keywords
graph
node
nodes
categories
class
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
CN202010056662.6A
Other languages
English (en)
Other versions
CN111291193B (zh
Inventor
姜明
刘志勇
张旻
汤景凡
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.)
Hangzhou Taoyi Data Technology Co ltd
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202010056662.6A priority Critical patent/CN111291193B/zh
Publication of CN111291193A publication Critical patent/CN111291193A/zh
Application granted granted Critical
Publication of CN111291193B publication Critical patent/CN111291193B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种知识图谱在零次学习上的运用方法。本发明首先利用ResNet深度卷积神经网络模型训练得到图像的视觉特征；然后利用wordnet知识图谱构建类别之间的关系图；再根据节点之间的距离计算其权重关系；然后利用GraphSAGE算法对关系图中的节点进行优化；之后利用图卷积神经网络将优化后类节点的语义特征映射到与视觉特征相同的维度空间；最后寻找与视觉特征欧式距离最近的类别，并将其作为判断的类别。本发明在零次学习任务中使用了知识图谱，构建类别之间的关系图,增加了更多的先验知识，利用了类别之间的联系，引入了GraphSAGE算法，可以对构建好的关系图中的节点进行优化，使得对节点的描述更完善。最后的分类结果也有更好的表现。

Description

一种知识图谱在零次学习上的运用方法
技术领域
本发明属于零次学习技术领域，本发明在零次学习任务上使用了知识图谱和GraphSAGE算法。
背景技术
在零次学习中，会给出每个类别及其所对应的语义特征，这里的语义特征包括类别的属性，比如描述这些类的大小，颜色等等，也可以是这些类别对应的词向量。不过这些语义特征只是单独的一个一个，没有很好的将这些类联系起来，不能很直观的将这些类别之间联系的“亲密”程度表现出来。而知识图谱正好具备了整合知识，使知识连接起来的能力。另外由于GraphSAGE算法可以迭代的学习聚合邻居节点信息，所以利用GraphSAGE可以起到优化关系图中节点类的作用，使节点表示包含更多信息。
发明内容
针对现有技术中存在的不足，本发明提供一种知识图谱在零次学习上的运用方法。本发明为了利用类别之间的关系，引入知识图谱，构建了关系图，使得其拥有更多的先验知识，并利用GraphSAGE算法来优化关系图中的节点信息。
为实现以上的技术目的，本发明将采取以下的技术方案：
一种知识图谱在零次学习上的运用方法，按照如下步骤进行：
步骤(1)利用ResNet深度卷积神经网络模型训练得到图像的视觉特征；
步骤(2)利用wordnet知识图谱构建类别之间的关系图；
步骤(3)根据节点之间的距离计算其权重关系；
步骤(4)利用GraphSAGE算法对关系图中的节点进行优化；
步骤(5)利用图卷积神经网络将优化后类节点的语义特征映射到与视觉特征相同的维度空间；
步骤(6)寻找与视觉特征欧式距离最近的类别，并将其作为判断的类别。
其中步骤(2)具体为：
利用wordnet知识图谱构建零次学习中类别之间的关系图，类别之间有祖先和后代关系之分，根据这些关系构建了类别之间的祖先关系图
Figure BDA0002373127720000023
和后代关系图
Figure BDA0002373127720000024
进一步的，步骤(3)具体为：
使用
Figure BDA0002373127720000025
表示祖先传播阶段的学习权重，
Figure BDA0002373127720000026
表示后代传播阶段的学习权重。
Figure BDA0002373127720000027
和
Figure BDA0002373127720000028
对应于所给定节点距离为i的节点的权重。其中
Figure BDA0002373127720000029
表示自环，
Figure BDA00023731277200000210
表示对应于所给定节点距离大于K-1的所有节点的权重。取K＝3，对这些权重关系使用softmax函数做归一化处理，公式如下：
Figure BDA0002373127720000021
Figure BDA0002373127720000022
其中，
Figure BDA00023731277200000211
为祖先关系图中的权重系数，
Figure BDA00023731277200000212
为后代关系图中的权重系数
进一步的，步骤(4)具体为：利用GraphSAGE算法对关系图中的节点进行优化，算法的输入为通过步骤(1)获得的祖先关系图
Figure BDA00023731277200000213
后代关系图
Figure BDA00023731277200000214
祖先关系图
Figure BDA00023731277200000215
和后代关系图
Figure BDA00023731277200000216
中包括所有类节点xv，
Figure BDA00023731277200000217
的特征，类节点的初始特征为词向量特征。GraphSAGE算法有两层循环，最外层循环为m＝1…M,其中M表示外循环中的当前步骤，也可以表示为搜索的深度。内层的循环
Figure BDA00023731277200000218
表示对关系图中每个节点。
算法外层循环的每个步骤表示如下：首先，每个节点
Figure BDA00023731277200000219
将其相邻节点
Figure BDA0002373127720000032
的特征表示通过聚合函数AGGREGATEm,
Figure BDA0002373127720000033
聚合到一起，生成向量
Figure BDA0002373127720000034
由于有祖先关系图和后代关系图两种关系图，所以节点v要在这两种图上都做处理。其中
Figure BDA0002373127720000035
表示节点v在祖先关系图上的邻居，同理，
Figure BDA0002373127720000036
表示节点v在后代关系图上的邻居。hk表示节点在当前步骤的特征表示。聚合步骤取决于外循环先前一次迭代m-1生成的特征表示。完成聚合操作后，将节点当前的特征表示
Figure BDA0002373127720000037
与聚合后的向量
Figure BDA0002373127720000038
拼接起来，σ表示Relu激活函数。每个节点的初始特征用
Figure BDA0002373127720000039
来表示，m＝1时，当完成一次内循环之后，就可以得到
Figure BDA00023731277200000310
特征向量
Figure BDA00023731277200000311
中包含了其所有相邻节点的特征表示。同理，通过外循环，m值不断增大，直到最大搜索深度，会不断迭代生成特征向量
Figure BDA00023731277200000312
中包含了搜索深度为m的相邻节点的特征表示。最后获得融合了各个相邻节点信息的输出zv。
进一步的，步骤(5)具体为：将步骤(2)优化后的祖先关系图与后代关系图利用图卷积神经网络将类别的语义特征映射到与视觉特征相同的维度空间。可以用下面的公式来表示：
Figure BDA0002373127720000031
其中
Figure BDA00023731277200000313
和
Figure BDA00023731277200000314
分别表示经过步骤(2)优化后的祖先关系图和后代关系图中节点之间连接距离为m的邻接矩阵，
Figure BDA00023731277200000315
的转置为
Figure BDA00023731277200000316
和
Figure BDA00023731277200000317
是
Figure BDA00023731277200000318
和
Figure BDA00023731277200000319
的度矩阵。
Figure BDA00023731277200000320
和
Figure BDA00023731277200000321
就是步骤(1)中计算得到的权重系数。θa和θd为需要被学习的参数，σ是Relu激活函数。X是表示网络每一层对应的特征，最初的输入为经过步骤(2)优化后的节点特征。通过计算得到的语义特征与视觉特征处在相同的维度空间。
进一步的，步骤(6)具体为：将所有类别的语义特征通过步骤(5)映射到与图片视觉特征相同的维度空间后，计算各个类别映射后的语义特征与图片视觉特征之间的欧式距离，选择欧式距离最近的类别，作为判断其所属的类别。
步骤(4)中所述的聚合函数可以为平均聚合、LSTM聚合或池化聚合。
本发明有益效果如下：
本发明在零次学习任务中使用了知识图谱，构建类别之间的关系图,增加了更多的先验知识，很好的利用了类别之间的联系。并在零次学习任务中引入了GraphSAGE算法，GraphSAGE算法可以对构建好的关系图中的节点进行优化，使得对节点的描述更完善。最后的分类结果也有更好的表现。
附图说明
图1为本发明的流程图。
具体实施方式
以下结合附图对本发明内容进行进一步描述。
如图1所示，本发明的运用方法，具体步骤如下：
步骤(1)利用ResNet深度卷积神经网络模型训练得到图像的视觉特征；
步骤(2)利用wordnet知识图谱构建类别之间的关系图；
利用wordnet知识图谱构建零次学习中类别之间的关系图，类别之间有祖先和后代关系之分，比如老虎和狮子都是属于大型猫科动物，老虎也有东北虎和苏门答腊虎等，根据这些关系构建了类别之间的祖先关系图
Figure BDA0002373127720000041
和后代关系图
Figure BDA0002373127720000042
步骤(3)根据节点之间的距离计算其权重关系；
使用
Figure BDA0002373127720000043
表示祖先传播阶段的学习权重，
Figure BDA0002373127720000044
表示后代传播阶段的学习权重。
Figure BDA0002373127720000045
和
Figure BDA0002373127720000046
对应于所给定节点距离为i的节点的权重。其中
Figure BDA0002373127720000047
表示自环，
Figure BDA0002373127720000048
表示对应于所给定节点距离大于K-1的所有节点的权重。取K＝3，对这些权重关系使用softmax函数做归一化处理，公式如下：
Figure BDA0002373127720000051
Figure BDA0002373127720000052
其中，
Figure BDA0002373127720000053
为祖先关系图中的权重系数，
Figure BDA0002373127720000054
为后代关系图中的权重系数
步骤(4)利用GraphSAGE算法对关系图中的节点进行优化；
利用GraphSAGE算法对关系图中的节点进行优化，算法的输入为通过步骤(1)获得的祖先关系图
Figure BDA0002373127720000055
后代关系图
Figure BDA0002373127720000056
祖先关系图
Figure BDA0002373127720000057
和后代关系图
Figure BDA0002373127720000058
中包括所有类节点xv，
Figure BDA0002373127720000059
的特征，类节点的初始特征为词向量特征。GraphSAGE算法有两层循环，最外层循环为m＝1…M,其中M表示外循环中的当前步骤，也可以表示为搜索的深度。内层的循环
Figure BDA00023731277200000510
表示对关系图中每个节点。
算法外层循环的每个步骤表示如下：首先，每个节点
Figure BDA00023731277200000511
将其相邻节点
Figure BDA00023731277200000512
的特征表示通过聚合函数AGGREGATEm,
Figure BDA00023731277200000513
聚合到一起，生成向量
Figure BDA00023731277200000514
由于有祖先关系图和后代关系图两种关系图，所以节点v要在这两种图上都做处理。其中
Figure BDA00023731277200000515
表示节点v在祖先关系图上的邻居，同理，
Figure BDA00023731277200000516
表示节点v在后代关系图上的邻居。hk表示节点在当前步骤的特征表示。聚合步骤取决于外循环先前一次迭代m-1生成的特征表示。完成聚合操作后，将节点当前的特征表示
Figure BDA00023731277200000517
与聚合后的向量
Figure BDA00023731277200000518
拼接起来，σ表示Relu激活函数。每个节点的初始特征用
Figure BDA0002373127720000062
来表示，m＝1时，当完成一次内循环之后，就可以得到
Figure BDA0002373127720000064
特征向量
Figure BDA0002373127720000063
中包含了其所有相邻节点的特征表示。同理，通过外循环，m值不断增大，直到最大搜索深度，会不断迭代生成特征向量
Figure BDA0002373127720000065
中包含了搜索深度为m的相邻节点的特征表示。最后获得融合了各个相邻节点信息的输出zv。
步骤(5)利用图卷积神经网络将优化后类节点的语义特征映射到与视觉特征相同的维度空间；
将步骤(2)优化后的祖先关系图与后代关系图利用图卷积神经网络将类别的语义特征映射到与视觉特征相同的维度空间。可以用下面的公式来表示：
Figure BDA0002373127720000061
其中
Figure BDA0002373127720000066
和
Figure BDA0002373127720000067
分别表示经过步骤(2)优化后的祖先关系图和后代关系图中节点之间连接距离为m的邻接矩阵，
Figure BDA0002373127720000069
的转置为
Figure BDA0002373127720000068
和
Figure BDA00023731277200000610
是
Figure BDA00023731277200000611
和
Figure BDA00023731277200000612
的度矩阵。
Figure BDA00023731277200000613
和
Figure BDA00023731277200000614
就是步骤(1)中计算得到的权重系数。θa和θd为需要被学习的参数，σ是Relu激活函数。X是表示网络每一层对应的特征，最初的输入为经过步骤(2)优化后的节点特征。通过计算得到的语义特征与视觉特征处在相同的维度空间。
步骤(6)寻找与视觉特征欧式距离最近的类别，并将其作为判断的类别。
将所有类别的语义特征通过步骤(5)映射到与图片视觉特征相同的维度空间后，计算各个类别映射后的语义特征与图片视觉特征之间的欧式距离，选择欧式距离最近的类别，作为判断其所属的类别。
步骤(4)中所述的聚合函数可以为平均聚合、LSTM聚合或池化聚合。
算法伪代码
Figure BDA0002373127720000071

Claims (7)

1.一种知识图谱在零次学习上的运用方法，其特征在于，按照如下步骤进行：
步骤(1)利用ResNet深度卷积神经网络模型训练得到图像的视觉特征；
步骤(2)利用wordnet知识图谱构建类别之间的关系图；
步骤(3)根据节点之间的距离计算其权重关系；
步骤(4)利用GraphSAGE算法对关系图中的节点进行优化；
步骤(5)利用图卷积神经网络将优化后类节点的语义特征映射到与视觉特征相同的维度空间；
步骤(6)寻找与视觉特征欧式距离最近的类别，并将其作为判断的类别。
2.根据权利要求1所述的一种知识图谱在零次学习上的运用方法，其特征在于，其中步骤(2)具体为：
利用wordnet知识图谱构建零次学习中类别之间的关系图，类别之间有祖先和后代关系之分，根据这些关系构建了类别之间的祖先关系图
Figure FDA0002373127710000011
和后代关系图
Figure FDA0002373127710000012
3.根据权利要求2所述的一种知识图谱在零次学习上的运用方法，其特征在于，进一步的，步骤(3)具体为：
使用
Figure FDA0002373127710000013
表示祖先传播阶段的学习权重，
Figure FDA0002373127710000014
表示后代传播阶段的学习权重；
Figure FDA0002373127710000015
和
Figure FDA0002373127710000016
对应于所给定节点距离为i的节点的权重；其中
Figure FDA0002373127710000017
表示自环，
Figure FDA0002373127710000018
表示对应于所给定节点距离大于K-1的所有节点的权重；取K＝3，对这些权重关系使用softmax函数做归一化处理，公式如下：
Figure FDA0002373127710000019
Figure FDA00023731277100000110
其中，
Figure FDA0002373127710000021
为祖先关系图中的权重系数，
Figure FDA0002373127710000022
为后代关系图中的权重系数。
4.根据权利要求3所述的一种知识图谱在零次学习上的运用方法，其特征在于，进一步的，步骤(4)具体为：利用GraphSAGE算法对关系图中的节点进行优化，算法的输入为通过步骤(1)获得的祖先关系图
Figure FDA0002373127710000023
后代关系图
Figure FDA0002373127710000024
祖先关系图
Figure FDA0002373127710000025
和后代关系图
Figure FDA0002373127710000026
中包括所有类节点xv，
Figure FDA0002373127710000027
的特征，类节点的初始特征为词向量特征；GraphSAGE算法有两层循环，最外层循环为m＝1…M,其中M表示外循环中的当前步骤，也可以表示为搜索的深度；内层的循环
Figure FDA0002373127710000028
表示对关系图中每个节点；
算法外层循环的每个步骤表示如下：首先，每个节点
Figure FDA0002373127710000029
将其相邻节点
Figure FDA00023731277100000210
的特征表示通过聚合函数AGGREGATEm,
Figure FDA00023731277100000211
聚合到一起，生成向量
Figure FDA00023731277100000212
由于有祖先关系图和后代关系图两种关系图，所以节点v要在这两种图上都做处理；其中
Figure FDA00023731277100000213
表示节点v在祖先关系图上的邻居，同理，
Figure FDA00023731277100000214
表示节点v在后代关系图上的邻居；hk表示节点在当前步骤的特征表示；聚合步骤取决于外循环先前一次迭代m-1生成的特征表示；完成聚合操作后，将节点当前的特征表示
Figure FDA00023731277100000215
与聚合后的向量
Figure FDA00023731277100000216
拼接起来，σ表示Relu激活函数；每个节点的初始特征用
Figure FDA00023731277100000217
来表示，m＝1时，当完成一次内循环之后，就可以得到
Figure FDA00023731277100000218
特征向量
Figure FDA00023731277100000219
中包含了其所有相邻节点的特征表示；同理，通过外循环，m值不断增大，直到最大搜索深度，会不断迭代生成特征向量
Figure FDA00023731277100000220
中包含了搜索深度为m的相邻节点的特征表示；最后获得融合了各个相邻节点信息的输出zv。
5.根据权利要求4所述的一种知识图谱在零次学习上的运用方法，其特征在于，进一步的，步骤(5)具体为：将步骤(2)优化后的祖先关系图与后代关系图利用图卷积神经网络将类别的语义特征映射到与视觉特征相同的维度空间；可以用下面的公式来表示：
Figure FDA0002373127710000031
其中
Figure FDA0002373127710000032
和
Figure FDA0002373127710000033
分别表示经过步骤(2)优化后的祖先关系图和后代关系图中节点之间连接距离为m的邻接矩阵，
Figure FDA0002373127710000034
的转置为
Figure FDA0002373127710000035
Figure FDA0002373127710000036
和
Figure FDA0002373127710000037
是
Figure FDA0002373127710000038
和
Figure FDA0002373127710000039
的度矩阵；
Figure FDA00023731277100000310
和
Figure FDA00023731277100000311
就是步骤(1)中计算得到的权重系数；θa和θd为需要被学习的参数，σ是Relu激活函数；X是表示网络每一层对应的特征，最初的输入为经过步骤(2)优化后的节点特征；通过计算得到的语义特征与视觉特征处在相同的维度空间。
6.根据权利要求5所述的一种知识图谱在零次学习上的运用方法，其特征在于，进一步的，步骤(6)具体为：将所有类别的语义特征通过步骤(5)映射到与图片视觉特征相同的维度空间后，计算各个类别映射后的语义特征与图片视觉特征之间的欧式距离，选择欧式距离最近的类别，作为判断其所属的类别。
7.根据权利要求4所述的一种知识图谱在零次学习上的运用方法，其特征在于，步骤(4)中所述的聚合函数可以为平均聚合、LSTM聚合或池化聚合。
CN202010056662.6A 2020-01-18 2020-01-18 一种知识图谱在零次学习上的运用方法 Active CN111291193B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010056662.6A CN111291193B (zh) 2020-01-18 2020-01-18 一种知识图谱在零次学习上的运用方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010056662.6A CN111291193B (zh) 2020-01-18 2020-01-18 一种知识图谱在零次学习上的运用方法

Publications (2)

Publication Number Publication Date
CN111291193A true CN111291193A (zh) 2020-06-16
CN111291193B CN111291193B (zh) 2020-09-29

Family

ID=71024237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010056662.6A Active CN111291193B (zh) 2020-01-18 2020-01-18 一种知识图谱在零次学习上的运用方法

Country Status (1)

Country Link
CN (1) CN111291193B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112562312A (zh) * 2020-10-21 2021-03-26 浙江工业大学 一种基于融合特征的GraphSAGE交通路网数据预测的方法
CN113704500A (zh) * 2021-09-07 2021-11-26 浙江工业大学 一种基于图神经网络的知识图谱社区划分方法
CN114582487A (zh) * 2022-01-26 2022-06-03 北京博瑞彤芸科技股份有限公司 基于中医知识图谱的中医辅助诊疗的方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101408941A (zh) * 2008-10-20 2009-04-15 中国科学院遥感应用研究所 遥感图像多尺度分割及分割结果的层次结构表示方法
US20130138436A1 (en) * 2011-11-26 2013-05-30 Microsoft Corporation Discriminative pretraining of deep neural networks
CN103824326A (zh) * 2014-03-05 2014-05-28 北京工业大学 一种动态的人体三维建模方法
US8903748B2 (en) * 2011-06-27 2014-12-02 International Business Machines Corporation Systems and methods for large-scale randomized optimization for problems with decomposable loss functions
WO2016168235A1 (en) * 2015-04-17 2016-10-20 Nec Laboratories America, Inc. Fine-grained image classification by exploring bipartite-graph labels
CN107480688A (zh) * 2017-06-20 2017-12-15 广东工业大学 基于零样本学习的细粒度图像识别方法
CN108376267A (zh) * 2018-03-26 2018-08-07 天津大学 一种基于类别转移的零样本分类方法
CN108846413A (zh) * 2018-05-21 2018-11-20 复旦大学 一种基于全局语义一致网络的零样本学习方法
CN109033378A (zh) * 2018-07-27 2018-12-18 北京中关村科金技术有限公司 一种Zero-shot Learning在智能客服系统中的应用方法
CN109657074A (zh) * 2018-09-28 2019-04-19 北京信息科技大学 基于地址树的新闻知识图谱构建方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101408941A (zh) * 2008-10-20 2009-04-15 中国科学院遥感应用研究所 遥感图像多尺度分割及分割结果的层次结构表示方法
US8903748B2 (en) * 2011-06-27 2014-12-02 International Business Machines Corporation Systems and methods for large-scale randomized optimization for problems with decomposable loss functions
US20130138436A1 (en) * 2011-11-26 2013-05-30 Microsoft Corporation Discriminative pretraining of deep neural networks
CN103824326A (zh) * 2014-03-05 2014-05-28 北京工业大学 一种动态的人体三维建模方法
WO2016168235A1 (en) * 2015-04-17 2016-10-20 Nec Laboratories America, Inc. Fine-grained image classification by exploring bipartite-graph labels
CN107480688A (zh) * 2017-06-20 2017-12-15 广东工业大学 基于零样本学习的细粒度图像识别方法
CN108376267A (zh) * 2018-03-26 2018-08-07 天津大学 一种基于类别转移的零样本分类方法
CN108846413A (zh) * 2018-05-21 2018-11-20 复旦大学 一种基于全局语义一致网络的零样本学习方法
CN109033378A (zh) * 2018-07-27 2018-12-18 北京中关村科金技术有限公司 一种Zero-shot Learning在智能客服系统中的应用方法
CN109657074A (zh) * 2018-09-28 2019-04-19 北京信息科技大学 基于地址树的新闻知识图谱构建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHENRUI ZHANG 等: "TGG: Transferable Graph Generation for Zero-shot and Few-shot Learning", 《MM "19: PROCEEDINGS OF THE 27TH ACM INTERNATIONAL CONFERENCE ON MULTIMEDIA》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112562312A (zh) * 2020-10-21 2021-03-26 浙江工业大学 一种基于融合特征的GraphSAGE交通路网数据预测的方法
CN113704500A (zh) * 2021-09-07 2021-11-26 浙江工业大学 一种基于图神经网络的知识图谱社区划分方法
CN113704500B (zh) * 2021-09-07 2024-10-22 浙江工业大学 一种基于图神经网络的知识图谱社区划分方法
CN114582487A (zh) * 2022-01-26 2022-06-03 北京博瑞彤芸科技股份有限公司 基于中医知识图谱的中医辅助诊疗的方法及系统

Also Published As

Publication number Publication date
CN111291193B (zh) 2020-09-29

Similar Documents

Publication Publication Date Title
CN111291193B (zh) 一种知识图谱在零次学习上的运用方法
CN111275172B (zh) 一种基于搜索空间优化的前馈神经网络结构搜索方法
CN109447261B (zh) 一种基于多阶邻近相似度的网络表示学习的方法
CN108399268B (zh) 一种基于博弈论的增量式异构图聚类方法
WO2022105108A1 (zh) 一种网络数据分类方法、装置、设备及可读存储介质
CN111008224B (zh) 一种基于深度多任务表示学习的时间序列分类和检索方法
CN109446420B (zh) 一种跨域协同过滤方法和系统
CN111353534B (zh) 一种基于自适应分数阶梯度的图数据类别预测方法
CN115688913A (zh) 一种云边端协同个性化联邦学习方法、系统、设备及介质
CN114357312B (zh) 基于图神经网络自动建模的社区发现方法及个性推荐方法
CN114565053A (zh) 基于特征融合的深层异质图嵌入模型
CN109886389B (zh) 一种基于Highway和DC的新型双向LSTM神经网络构建方法
CN112732932A (zh) 一种基于知识图谱嵌入的用户实体群组推荐方法
CN113744023B (zh) 一种基于图卷积网络的双通道协同过滤推荐方法
CN114942998A (zh) 融合多源数据的知识图谱邻域结构稀疏的实体对齐方法
CN116821519A (zh) 一种基于图结构的系统过滤和降噪的智能推荐方法
CN115294402B (zh) 一种基于去冗余多阶混合训练的半监督车辆分类方法
CN109710812A (zh) 一种网络表征算法稳定性度量方法
CN112487187B (zh) 一种基于图网络池化的新闻文本分类方法
CN111709275A (zh) 一种用于Affordance推理的深度网络构建方法
CN118446661A (zh) 一种基于知识图谱和GraphSAGE的岗位推荐方法
Xu et al. Efficient block pruning based on kernel and feature stablization
CN110321938B (zh) 一种智能无人集群的状态空间构建方法及装置
Daniely et al. RedEx: Beyond Fixed Representation Methods via Convex Optimization
Chen et al. Pagerank centrality based graph convolutional networks for semi-supervised node classification

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
TR01 Transfer of patent right

Effective date of registration: 20210429

Address after: Room 405, 6-8 Jiaogong Road, Xihu District, Hangzhou City, Zhejiang Province, 310013

Patentee after: Hangzhou Taoyi Data Technology Co.,Ltd.

Address before: Hangzhou City, Zhejiang province 310018 Xiasha Higher Education Park No. 2 street

Patentee before: HANGZHOU DIANZI University

TR01 Transfer of patent right