CN112000689B - 一种基于文本分析的多知识图谱融合方法 - Google Patents

一种基于文本分析的多知识图谱融合方法 Download PDF

Info

Publication number
CN112000689B
CN112000689B CN202010825084.8A CN202010825084A CN112000689B CN 112000689 B CN112000689 B CN 112000689B CN 202010825084 A CN202010825084 A CN 202010825084A CN 112000689 B CN112000689 B CN 112000689B
Authority
CN
China
Prior art keywords
entity
knowledge
graph
entities
representing
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
CN202010825084.8A
Other languages
English (en)
Other versions
CN112000689A (zh
Inventor
杨博
马利争
夏日婷
张钰雪晴
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.)
Jilin University
Original Assignee
Jilin 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 Jilin University filed Critical Jilin University
Priority to CN202010825084.8A priority Critical patent/CN112000689B/zh
Publication of CN112000689A publication Critical patent/CN112000689A/zh
Application granted granted Critical
Publication of CN112000689B publication Critical patent/CN112000689B/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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/242—Query formulation
    • G06F16/2433—Query languages
    • G06F16/244—Grouping and aggregation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Machine Translation (AREA)

Abstract

本发明公开了一种基于文本分析的多知识图谱融合方法，包括：针对文本数据，构建多个知识图谱；使用Transformer生成每个知识图谱KG的实体向量表示；使用注意力机制对每个知识图谱KG的实体邻居进行采样；使用解耦图神经网络表示学习方法聚合每个知识图谱KG的实体的邻居信息；通过距离衡量任意两个知识图谱KG的实体之间相似度；利用正负样本进行神经网络的训练。与现有技术相比，本发明可以更好地区分实体之间的相似性和表达文本中一个实体的可能存在多个不同的社会属性，从而提升知识图谱融合的表达能力。

Description

一种基于文本分析的多知识图谱融合方法
技术领域
本发明涉及计算机领域，特别是一种基于文本分析的多知识图谱融合方法。
背景技术
近几年，知识图谱的构建和应用呈现快速增长的趋势。随着互联网和人工智能等新技术发展，大量的数据被构建出来，但大数据本身是难以理解的，因此需要越来越多的知识图谱被构建出来用于挖掘大数据本身存在的有用信息，比如语义信息以及结构信息等。然而知识图谱具有知识异质性，每个知识图谱之间都具有不同信息，存储和表示的来源可能也不尽相同，与此同时，不同知识图谱之间以及知识图谱的实体之间也存在非常复杂的关系，因此我们需要提出一种高效的知识图谱融合方法来提升知识图谱的表达能力，目前的知识图谱融合方法普遍面临以下问题：
(1)不同知识图谱之间的相似实体的邻居存在异质性，即多个知识图谱中相似实体会存在很多不一致的邻居，目前的知识图谱融合方法基本采用的都是利用不同知识图谱中实体邻居的相似性来进行知识图谱融合，但这种异质性会削弱现有融合方法的表达能力。
(2)对于同一个知识图谱实体可能存在多个不同的社会属性，不同的邻居对其不同的属性影响可能不同，目前最新的知识图谱融合方法在表达一个实体信息的时候，利用邻居节点的进行卷积操作，没有综合考虑实体的不同社会属性，会导致实体信息表达的不准确性，也会降低融合方法的表达性能。
发明内容
本发明的目的是要解决现有技术中存在的不足，提供一种基于文本分析的多知识图谱融合方法。
为达到上述目的，本发明是按照以下技术方案实施的：
一种基于文本分析的多知识图谱融合方法，包括以下步骤：
S1、针对文本数据，构建多个知识图谱KG，其结构为KG＝(E，R，T)；其中E表示实体集，R表示关系集，T表示一个三元组，其中三元组是由头实体，一个实体是由多个单词构成，尾实体以及关系组成；
S2、使用Transformer生成每个知识图谱KG的实体向量表示；
S3、使用注意力机制对每个知识图谱KG的实体邻居进行采样；
S4、使用解耦图神经网络表示学习方法聚合每个知识图谱KG的实体的邻居信息；
S5、通过距离衡量任意两个知识图谱KG的实体之间相似度；
S6、利用正负样本进行神经网络的训练。
进一步，所述S2具体包括：
S21、利用Transformer去学习一个序列单词的嵌入表示，其最核心的组件是一种自注意力机制，形式化为：
Figure BDA0002635861310000021
Q＝X·WQ，
K＝X·WK，
V＝X·WV；
其中WQ，WK，WV分别表示权重矩阵，X表示输入矩阵。
进一步，所述S3具体包括：
S31、通过注意力机制来学习每个单词对实体的影响权重，形式化为：
αei＝Wff(wWe+XiWi+b)，
Figure BDA0002635861310000031
Figure BDA0002635861310000032
其中Xi代表组成实体e的单词，αei表示Xi对实体的e的影响程度，he表示初始学到的实体表示，k表示组成实体e的单词个数；
S32、使用注意力机制来选择那些影响实体比较大的邻居作为候选邻居，形式化为：
αij＝Wff(eiWi+ejWj+b)
Figure BDA0002635861310000033
其中：αij用于表示实体ei的邻居实体ej对其的影响程度，基于此指标对邻居节点进行采样，k表示实体ei的邻居个数。
进一步，所述S4具体包括：
S41、假设每个实体都有k个社会属性，将该实体的特征投影到k个子空间中，分别得到每个社会属性对应的特征：
ei，k＝Hkei+bk
其中ei，k表示实体ei在k空间的映射投影,Hk，bk表示该空间下的映射参数；
S42、对得到的子特征进行归一化，归一化的方式如下：
Figure BDA0002635861310000034
其中μ＝E(ei，k)，σ2＝E((ei，k-E(ei，k))2)；
S43、利用图神经网络分别聚集在k个不同子空间下的实体嵌入表示，其形式为：
Figure BDA0002635861310000035
其中：j表示实体i的邻居实体，关系R可以用来刻画邻居信息,利用邻居实体在k个子空间下的投影特征去聚合得到该实体的新特征，该过程主要通过图神经网络得到该实体在网络中的拓扑结构信息。
S44、对k个不同子空间的实体特征进行池化操作或者级联操作，分别为最大池化操作Maxpooling,平均池化操作Mean-pooling，以及级联操作Concatenation,分别形式化为：
Figure BDA0002635861310000041
Figure BDA0002635861310000042
Concatenation:ei＝[ei，1，...，ei，k]；
其中：ei是最终得到该实体的特征表示。
进一步，所述S5具体包括：
S51、假设任意两个知识图谱谱KG1和KG2，判断其中两个实体ei和ej是否对齐，其中ei∈KG1，ej∈KG2；通过距离测量来衡量两个实体之间的相似度，距离越近就代表这两个实体越相似，该距离形式化为：
d(i，j)＝|ei-ej|L1；
通过该距离测量得到任意不同知识图谱两个实体之间的距离。
进一步，所述S6具体包括：
利用正样本和负样本对知识图谱中的实体进行训练，正样本表示两个实体距离较近，负样本表示两个实体距离较远，最终模型的训练损失函数为：
Figure BDA0002635861310000043
其中Pos、Neg分别表示正、负样本，η表示超参数。
与现有技术相比，本发明具有以下有益效果：
1、本发明充分利用知识图谱中的文本数据之中的语义信息以及文本实体的结构信息进行知识图谱的融合，首先考虑到相似实体的邻居存在异质性问题，我们使用注意力机制进行来选择那些对实体影响比较大的邻居作为候选邻居，可以更好地区分实体之间的相似性，从而提升融合的表达能力。
2、本发明充分考虑知识图谱实体可能存在多个不同的社会属性，通过解耦表示学习对每一个实体进行建模，更好地表达文本中一个实体的可能存在多个不同的社会属性，从而能够将各种不同的隐性社会属性融合到知识图谱的构建中，提升知识图谱融合的能力。
附图说明
图1为本发明的流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明，并不用于限定发明。
学术知识图谱目前分为英文和中文的知识图谱，很难将中文的图谱和英文的图谱一一对应，主要存在专业知识的实体对齐问题。因此，构建多个知识图谱KG，其结构为KG＝(E，R，T)；其中E表示实体集，R表示关系集，T表示一个三元组，其中三元组是由头实体，一个实体是由多个单词构成，尾实体以及关系组成；假设当前存在m个知识图谱KG1，KG2，...，KGm，我们最终的目的是如何更高效地实现KG1，KG2，...，KGm个知识图谱之间的实体对齐任务，为此我们提出一个基于文本分析的知识图谱融合方法，我们将任务简化为两个知识图谱的融合任务，最终可以将其扩展到多个知识图谱的融合，具体参照图1。
为了处理文本中的单词语义信息，使用Transformer生成每个知识图谱KG的实体向量表示，具体是利用Transformer去学习一个序列单词的嵌入表示，其最核心的组件是一种自注意力机制，形式化为：
Figure BDA0002635861310000061
Q＝X·WQ，
K＝X·WK，
V＝X·WV；
其中WQ，WK，WV分别表示权重矩阵，X表示输入矩阵；
一个实体是由多个单词构成的，每个单词对实体的影响程度是不同的，我们通过注意力机制来学习这种影响权重，可以形式化为：
αei＝Wff(eWe+XiWi+b)，
Figure BDA0002635861310000062
Figure BDA0002635861310000063
其中Xi代表组成实体e的单词，αei表示Xi对实体的e的影响程度，he表示初始学到的实体表示，k表示组成实体e的单词个数；
由于不同知识图谱之间的相似实体的邻居存在异质性，我们需要选择一些合适的邻居能够更好地区分实体之间的相似性，因此我们需要对实体的邻居进行采样，此时我们同样需要使用注意力机制来选择那些影响实体比较大的邻居作为候选邻居，可以形式化为：
αij＝Wff(eiWi+ejWj+b)
Figure BDA0002635861310000071
其中：αij用于表示实体ei的邻居实体ej对其的影响程度，基于此指标对邻居节点进行采样，k表示实体ei的邻居个数；
为了能够更好地表达文本中一个实体的可能存在多个不同的社会属性，我们通过解耦表示学习对每一个实体进行建模。
假设每个实体都有k个社会属性，将该实体的特征投影到k个子空间中，分别得到每个社会属性对应的特征：
ei，k＝Hkei+bk
其中ei，k表示实体ei在k空间的映射投影,Hk，bk表示该空间下的映射参数；
对得到的子特征进行归一化，归一化的方式如下：
Figure BDA0002635861310000072
其中μ＝E(ei，k)，σ2＝E((ei，k-E(ei，k))2)；
利用图神经网络分别聚集在k个不同子空间下的实体嵌入表示，其形式为：
Figure BDA0002635861310000073
其中：j表示实体i的邻居实体，关系R可以用来刻画邻居信息,利用邻居实体在k个子空间下的投影特征去聚合得到该实体的新特征，该过程主要通过图神经网络得到该实体在网络中的拓扑结构信息。
对k个不同子空间的实体特征进行池化操作或者级联操作，分别为最大池化操作Maxpooling,平均池化操作Mean-pooling，以及级联操作Concatenation,分别形式化为：
Figure BDA0002635861310000081
Figure BDA0002635861310000082
Concatenation:ei＝[ei，1，...，ei，k]；
其中：ei是最终得到该实体的特征表示；
这样就得到了每个知识图谱中不同实体的特征表示，假设任意两个知识图谱谱KG1和KG2，判断其中两个实体ei和ej是否对齐，其中ei∈KG1，ej∈KG2；通过距离测量来衡量两个实体之间的相似度，距离越近就代表这两个实体越相似，该距离形式化为：
d(i，j)＝|ei-ej|L1；
通过该距离测量得到任意不同知识图谱两个实体之间的距离。
然后利用正样本和负样本对知识图谱中的实体进行训练，正样本表示两个实体距离较近，负样本表示两个实体距离较远，最终模型的训练损失函数为：
Figure BDA0002635861310000083
其中Pos、Neg分别表示正、负样本，η表示超参数。
经过本实施例分别对文本中实体的邻居进行采样，选取更有利于区分该实体的邻居，通过考虑每个实体所代表的多重含义，利用解耦图神经网络表示学习方法，对实体进行建模，构造更丰富的中英文学术知识图谱，融合后的学术知识图谱能够实现帮助科研人员快速地了解学术动态，提供学术指导。
本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。

Claims (3)

1.一种基于文本分析的多知识图谱融合方法，其特征在于，包括以下步骤：
S1、针对文本数据，构建多个知识图谱KG，其结构为KG＝(E，R，T)；其中E表示实体集，R表示关系集，T表示一个三元组，其中三元组是由头实体，一个实体是由多个单词构成，尾实体以及关系组成；
S2、使用Transformer生成每个知识图谱KG的实体向量表示；
S21、利用Transformer去学习一个序列单词的嵌入表示，其最核心的组件是一种自注意力机制，形式化为：
Figure FDA0003805386490000011
Q＝X·WQ，
K＝X·WK，
V＝X·WV；
其中WQ，WK，WV分别表示权重矩阵，X表示输入矩阵；
S3、使用注意力机制对每个知识图谱KG的实体邻居进行采样；
S31、通过注意力机制来学习每个单词对实体的影响权重，形式化为：
αei＝Wff(eWe+XiWi+b)，
Figure FDA0003805386490000012
Figure FDA0003805386490000013
其中Xi代表组成实体e的单词，αei表示Xi对实体的e的影响程度，he表示初始学到的实体表示，k表示组成实体e的单词个数；
S32、使用注意力机制来选择那些影响实体大的邻居作为候选邻居，形式化为：
αij＝Wff(eiWi+ejWj+b)
Figure FDA0003805386490000021
其中：αij用于表示实体ei的邻居实体ej对其的影响程度，基于此指标对邻居节点进行采样，k表示实体ei的邻居个数；
S4、使用解耦图神经网络表示学习方法聚合每个知识图谱KG的实体的邻居信息；
S41、假设每个实体都有k个社会属性，将该实体的特征投影到k个子空间中，分别得到每个社会属性对应的特征：
ei，k＝Hkei+bk
其中ei，k表示实体ei在k空间的映射投影，Hk，bk表示该空间下的映射参数；
S42、对得到的子特征进行归一化，归一化的方式如下：
Figure FDA0003805386490000022
其中μ＝E(ei，k)，σ2＝E((ei，k-E(ei，k))2)；
S43、利用图神经网络分别聚集在k个不同子空间下的实体嵌入表示，其形式为：
Figure FDA0003805386490000023
其中：j表示实体i的邻居实体，关系R可以用来刻画邻居信息，利用邻居实体在k个子空间下的投影特征去聚合得到该实体的新特征，该过程通过图神经网络得到该实体在网络中的拓扑结构信息；
S44、对k个不同子空间的实体特征进行池化操作或者级联操作，分别为最大池化操作Maxpooling，平均池化操作Mean-pooling，以及级联操作Concatenation，分别形式化为：
Figure FDA0003805386490000031
Figure FDA0003805386490000032
Concatenation：ei＝[ei，1，...，ei，k]；
其中：ei是最终得到该实体的特征表示；
S5、通过距离衡量任意两个知识图谱KG的实体之间相似度；
S6、利用正负样本进行神经网络的训练。
2.根据权利要求1所述的基于文本分析的多知识图谱融合方法，其特征在于，所述S5具体包括：
S51、假设任意两个知识图谱KG1和KG2，判断其中两个实体ei和ej是否对齐，其中ei∈KG1，ej∈KG2；通过距离测量来衡量两个实体之间的相似度，距离越近就代表这两个实体越相似，该距离形式化为：
d(i，j)＝|ei-ej|L1；
通过该距离测量得到任意不同知识图谱两个实体之间的距离。
3.根据权利要求2所述的基于文本分析的多知识图谱融合方法，其特征在于，所述S6具体包括：
利用正样本和负样本对知识图谱中的实体进行训练，正样本表示两个实体距离近，负样本表示两个实体距离远，最终模型的训练损失函数为：
Figure FDA0003805386490000033
其中Pos、Neg分别表示正、负样本，η表示超参数。
CN202010825084.8A 2020-08-17 2020-08-17 一种基于文本分析的多知识图谱融合方法 Active CN112000689B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010825084.8A CN112000689B (zh) 2020-08-17 2020-08-17 一种基于文本分析的多知识图谱融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010825084.8A CN112000689B (zh) 2020-08-17 2020-08-17 一种基于文本分析的多知识图谱融合方法

Publications (2)

Publication Number Publication Date
CN112000689A CN112000689A (zh) 2020-11-27
CN112000689B true CN112000689B (zh) 2022-10-18

Family

ID=73472581

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010825084.8A Active CN112000689B (zh) 2020-08-17 2020-08-17 一种基于文本分析的多知识图谱融合方法

Country Status (1)

Country Link
CN (1) CN112000689B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113673244B (zh) * 2021-01-04 2024-05-10 腾讯科技（深圳）有限公司 医疗文本处理方法、装置、计算机设备和存储介质
CN113505239B (zh) * 2021-07-09 2022-10-28 吉林大学 一种结合图注意力和属性聚类的实体对齐方法
CN113869516B (zh) * 2021-12-06 2022-05-20 深圳大学 知识图谱嵌入模型训练方法、装置、电子设备及介质
CN114417845B (zh) * 2022-03-30 2022-07-12 支付宝(杭州)信息技术有限公司 一种基于知识图谱的相同实体识别方法和系统
CN116434976A (zh) * 2022-12-29 2023-07-14 之江实验室 一种融合多源知识图谱的药物重定位方法和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108874914A (zh) * 2018-05-29 2018-11-23 吉林大学 一种基于图卷积与神经协同过滤的信息推荐方法
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
WO2019220128A1 (en) * 2018-05-18 2019-11-21 Benevolentai Technology Limited Graph neutral networks with attention
CN110889015A (zh) * 2019-10-31 2020-03-17 天津工业大学 面向图数据的独立解耦卷积神经网络表征算法
WO2020068831A1 (en) * 2018-09-26 2020-04-02 Visa International Service Association Dynamic graph representation learning via attention networks
CN113722603A (zh) * 2021-11-02 2021-11-30 阿里巴巴达摩院(杭州)科技有限公司 对象推送方法、产品推送方法、计算机终端及存储介质
CN114187077A (zh) * 2021-12-24 2022-03-15 江苏亿友慧云软件股份有限公司 基于边增强型全局解耦图神经网络的序列推荐方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019220128A1 (en) * 2018-05-18 2019-11-21 Benevolentai Technology Limited Graph neutral networks with attention
CN108874914A (zh) * 2018-05-29 2018-11-23 吉林大学 一种基于图卷积与神经协同过滤的信息推荐方法
WO2020068831A1 (en) * 2018-09-26 2020-04-02 Visa International Service Association Dynamic graph representation learning via attention networks
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
CN110889015A (zh) * 2019-10-31 2020-03-17 天津工业大学 面向图数据的独立解耦卷积神经网络表征算法
CN113722603A (zh) * 2021-11-02 2021-11-30 阿里巴巴达摩院(杭州)科技有限公司 对象推送方法、产品推送方法、计算机终端及存储介质
CN114187077A (zh) * 2021-12-24 2022-03-15 江苏亿友慧云软件股份有限公司 基于边增强型全局解耦图神经网络的序列推荐方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Improving Situational Awareness with Collective Artificial Intelligence over Knowledge Graphs;Jiang Meng;《Proceedings of Spie--The International Society For Optical Engineering》;20200101;1-5 *
一种新的神经网络自适应解耦控制方法;尉询楷 等;《中科院自动化研究所自动化与信息技术发展战略研讨会暨2003年学术年会》;20060807;15-21 *
协同过滤式零次学习方法研究及应用;张钰雪晴;《中国优秀硕士学位论文全文数据库 信息科技辑》;20220115(第01期);I140-333 *
去往认知海洋的一艘船 中国知识图谱行业研究报告 2019年;无;《上海艾瑞市场咨询有限公司专题资料汇编》;20200401(第4期);863-907 *

Also Published As

Publication number Publication date
CN112000689A (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
CN112000689B (zh) 一种基于文本分析的多知识图谱融合方法
CN107273490B (zh) 一种基于知识图谱的组合错题推荐方法
CN111753101B (zh) 一种融合实体描述及类型的知识图谱表示学习方法
CN114170333B (zh) 基于直推式半监督深度学习的图像哈希编码方法
CN111914162B (zh) 一种基于知识图谱的个性化学习方案引导方法
CN107220337B (zh) 一种基于混合迁移网络的跨媒体检索方法
CN113779264B (zh) 基于专利供需知识图谱的交易推荐方法
CN111160564A (zh) 一种基于特征张量的中文知识图谱表示学习方法
CN110647904A (zh) 一种基于无标记数据迁移的跨模态检索方法及系统
CN110264372B (zh) 一种基于节点表示的主题社团发现方法
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
CN117149974A (zh) 一种子图检索优化的知识图谱问答方法
CN117273134A (zh) 一种基于预训练语言模型的零样本知识图谱补全方法
CN115114409B (zh) 一种基于软参数共享的民航不安全事件联合抽取方法
CN113742488A (zh) 基于多任务学习的嵌入式知识图谱补全方法和装置
CN112115971B (zh) 一种基于异质学术网络进行学者画像的方法及系统
CN115438197B (zh) 一种基于双层异质图的事理知识图谱关系补全方法及系统
Chu et al. Co-training based on semi-supervised ensemble classification approach for multi-label data stream
CN113987203A (zh) 一种基于仿射变换与偏置建模的知识图谱推理方法与系统
CN114254093A (zh) 多空间知识增强的知识图谱问答方法及系统
CN115329101A (zh) 一种电力物联网标准知识图谱构建方法及装置
CN115270761A (zh) 一种融合原型知识的关系抽取方法
CN114897085A (zh) 一种基于封闭子图链路预测的聚类方法及计算机设备
CN112668633B (zh) 一种基于细粒度领域自适应的图迁移学习方法
CN114328663A (zh) 一种基于数据挖掘的高维剧场数据降维可视化处理方法

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