CN112463979A - 一种基于不确定性本体的知识表示方法 - Google Patents

一种基于不确定性本体的知识表示方法 Download PDF

Info

Publication number
CN112463979A
CN112463979A CN202011321197.0A CN202011321197A CN112463979A CN 112463979 A CN112463979 A CN 112463979A CN 202011321197 A CN202011321197 A CN 202011321197A CN 112463979 A CN112463979 A CN 112463979A
Authority
CN
China
Prior art keywords
type
representing
gap
function
num
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.)
Pending
Application number
CN202011321197.0A
Other languages
English (en)
Inventor
张嘉韬
漆桂林
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202011321197.0A priority Critical patent/CN112463979A/zh
Publication of CN112463979A publication Critical patent/CN112463979A/zh
Pending legal-status Critical Current

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
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Machine Translation (AREA)

Abstract

本发明提供一种基于不确定性本体的知识表示方法，包括以下步骤：步骤（1）从带有不确定性信息的本体知识图谱中获取实体、类型、关系及带有不确定信息的三元组；步骤（2）对实例、类型、关系的表示向量初始化；步骤（3）基于不确定性本体的距离函数，构建不确定三元组的能量方程；步骤（4）根据所述距离函数，构建基于均方误差的损失函数，通过最小化损失函数，学习实体及关系的表示。本发明的有益效果：能够在学习知识表示的同时，保留不确定性信息。

Description

一种基于不确定性本体的知识表示方法
技术领域
本发明涉及自然语言处理以及知识表示学习技术领域，更具体地，涉及一种基于不确定性本体的知识表示方法。
背景技术
知识图谱是一种利用实体及关系来表示知识的方法，当前已经有许多大规模的知识图谱，如DBpedia、Freebase等，这些知识图谱在许多人工智能应用，如问答系统、语义搜索、关系抽取中都有着重要的应用。随着知识图谱成为研究热点，不确定性也被很自然的引入到知识图谱的研究当中：一方面，由于图谱构造的各个环节，如关系抽取、实体链接等都充满了噪声与错误，导致难以保证最终知识图谱的确定性；另一方面，许多知识本身就具有概率性和模糊性，尤其对于一些理论并不完备的领域，如生物医学领域，许多经验性的知识需要结合概率才能进行描述。当前的不确定性知识图谱有NELL、Probase等，这些图谱允许其三元组具有置信度信息，用于描述三元组的不确定性。通过将不确定性引入知识图谱，一方面能够更加精确的对知识进行描述，另一方面允许更多具有潜在价值的三元组进入图谱，一定程度上提高了图谱的覆盖率，缓解了关系缺失的问题。
知识图谱表示学习，是研究如何用低维实值向量来表示图谱中的实体及关系，并用这种表示进行图谱的补全或推理，当前比较具有代表性的工作有TransE、DistMult、RESCAL等，然而这些工作都没有考虑到知识图谱所具有的不确定性。相比基础的知识图谱表示学习，不确定性知识图谱表示学习更具挑战性，不确定性知识图谱表示学习在保留了图谱结构及语义信息的基础上，还需要保留三元组的置信度信息，并实现更加精确的推理，其中比较具有代表性的方法有UKGE、CTransE等。由于可以实现不确定性信息的编码，不确定表示学习已经被应用在了许多对推理精度要求更高、误差更加敏感的任务中，如罕见疾病药物挖掘等。
本体是知识图谱的重要组成部分，其可以充分表达知识图谱中概念及概念间的关系，有效地利用本体信息可以很大程度上提高基于知识图谱推理的效果。当前，将本体与知识图谱表示学习相结合的代表方法有JOIE等，然而这些工作中的本体都需要人工构建，费时费力。为了解决这个问题，一些方法希望利用规则挖掘技术自动化地从知识图谱中挖掘本体，然而这些挖掘出来的本体往往质量比较低，带有很大的不确定性。
综上，基于该领域当前的研究情况，亟待提出一种能够将不确定性本体图谱与表示学习结合的方法，能够在更加准确表示实例、类型、关系的基础上，实现更加精准的知识图谱补全及推理。
发明内容
为解决上述问题，本发明公开了为有效利用不确定性本体中的不确定性信息，提高推理的精度，其中本发明的解决方案是：
一种基于不确定性本体的知识表示方法，包括以下步骤：
步骤1：从带有不确定性信息的本体知识图谱中获取实体、类型、关系及带有不确定信息的三元组；
步骤2：对实例、类型、关系的表示向量初始化；
步骤3：基于不确定性本体的距离函数，构建不确定三元组的能量方程；
步骤4：根据所述距离函数，构建基于均方误差的损失函数，通过最小化损失函数，学习实体及关系的向量表示。
作为本发明的一种进步方案，所描述的步骤(1)，需要从图谱中获取数据包括：图谱中的实例集合E＝{entity1，entity2，...，entitye_num}，其中e_num表示实例数量；类型集合C＝{class1，class2，...，classc_num}，其中c_num表示类型数量；关系集合P＝{property1，property2，...，propertyp_num}，其中p_num表示关系数量；带有不确定信息的三元组集合G＝{<l1，s1>，<l1，s1>，...，<lt_num，st_num>}，其中<li，si>∈G，li＝(hi，ri，ti)，hi表示三元组的头实体，ti表示尾实体，ri表示头实体和尾实体之间的关系，si表示三元组的置信度分数即不确定信息，t_num表示三元组的数量。
作为本发明的一种进步方案，所述步骤(2)中，对于实例、类型、关系的向量初始化表示方法是：对实例集合E＝{entity1，entity2，...，entitye_num}，其中每个entityi实例都表示成一个m维的向量
Figure BDA0002792935920000031
对于类型集合C＝{class1，class2，...，classc_num}，其中每个类型classi都表示成一个m维的超球体(ci，ρi)，其中
Figure BDA0002792935920000032
为m维的向量，表示超球体的球心，
Figure BDA0002792935920000033
表示超球体的半径；对于关系集合P＝{property1，property2，...，propertyp_num}，其中每个关系propertyi表示为2*m维超球体
Figure BDA0002792935920000041
其中
Figure BDA0002792935920000042
是2m维向量，表示超球体球心，
Figure BDA0002792935920000043
表示domain即该关系的定义域，
Figure BDA0002792935920000044
表示range即该关系的值域，
Figure BDA0002792935920000045
表示关系超球体半径。
作为本发明的一种进步方案，所描述的步骤(3)中基于不确定本体性的距离函数，构建不确定三元组的能量方程，之前还需要确定基于不确定本体性的距离函数。
作为本发明的一种进步方案，基于不确定性本体的距离函数的定义方法是：首先根据不确定性三元组所描述的关系类型的不同，将这些三元组划分成六组，分别是：data类型，表示实例和实例之间的关系；type类型，表示实例所属类型；sc类型，表示类型与其父类的从属关系；domain类型，表示关系的定义域；range类型，表示关系的值域；subproperty表示关系与其父类的从属关系。之后，分别为这六种类型定义距离函数：Gap(l)data、Gap(l)type、Gap(l)sc、Gap(l)domain、Gap(l)range、Gap(l)sp。
作为本发明的一种进步方案，对于data类型的三元组l＝(ei，pi，ej)∈E×P×E，其距离函数Gap(l)data定义如下：
Figure BDA0002792935920000046
其中符号||·||2表示向量的L2距离。
作为本发明的一种进步方案，对于type类型的三元组l＝(ei，type，ci)∈E×{type}×C，其距离函数Gap(l)type定义如下：
Gap(l)type＝max(0，||ei-ci||2-ρi)
作为本发明的一种进步方案，对于sc类型的三元组l＝(ci，sc，cj)∈C×{sc}×C，其距离函数Gap(l)sc定义如下：
Gap(l)sc＝max(0，||ci-ci||2-ρj+ρi)
作为本发明的一种进步方案，对于domain类型的三元组l＝(pi，dom，ci)∈C×{dom}×P，其距离函数Gap(l)dom定义如下：
Figure BDA0002792935920000051
作为本发明的一种进步方案，对于range类型的三元组1＝(pi，range，ci)∈C×{range}×P，其距离函数Gap(l)range定义如下：
Figure BDA0002792935920000052
作为本发明的一种进步方案，对于subproperty类型的三元组l＝(pi，sp，pj)∈P×{sp}×P，其距离函数Gap(l)sp定义如下：
Figure BDA0002792935920000053
作为本发明的一种进步方案，不确定性三元组能量函数f*(l)，定义如下：
f*(l)＝1-σ(Gap(l)*)
其中Gap(l)*表示以上定义的六种类型的距离函数，σ(·)为归一化函数，用于将距离函数映射到[0，1]区间。
作为本发明的一种进步方案，归一化函数σ(·)，其特征在于，σ函数定义如下：
Figure BDA0002792935920000054
其中e表示自然常数。
作为本发明的一种进步方案，基于不确定本体性的知识表示方法，其特征在于，所描述的步骤(4)所述的损失函数L定义如：
L＝Ldata+Ltype+Lsc+Ldom+Lrange+Lsp
其中Ldata表示data类型三元组的损失函数，Ltype表示type类型三元组的损失函数，Ltype表示type类型三元组的损失函数，Lsc表示sc类型三元组的损失函数，Ldom表示domain类型三元组的损失函数，Lrange表示range类型三元组的损失函数，Lsp表示subproperty类型三元组的损失函数。通过优化方法最小化损失函数来学习实例、类型、关系的表示。
作为本发明的一种进步方案，其特征在于，对于以上Ldata、Ltype、Lsc、Ldom、Lrange、Lsp损失函数L*定义如下：
Figure BDA0002792935920000061
本发明的一种基于不确定性本体的知识表示方法，通过将不确定性本体图谱与表示学习方法相结合，实现了更加准确实例、类型、关系的表示，从而能更加精准地进行知识图谱补全及推理。
附图说明
图1、是本发明基于不确定本体图谱表示学习方法的流程图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。需要说明的是，下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向，词语“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。
本发明所要解决的技术问题是：如何提供一种新的基于不确定性三元组的知识表示方法，能够在学习知识表示的同时，保留不确定性信息。
如图1所示为本实施例的一种基于不确定性本体的知识整体流程图。总体上包括以下步骤：
步骤(1)从图谱中获取实例、类型、关系、不确定性三元组：
需要从图谱中获取数据包括：图谱中的实例集合E＝{entity1，entity2，...，entitye_num}，其中e_num表示实例数量；类型集合C＝{class1，class2，...，classc_num}，其中c_num表示类型数量；关系集合P＝{property1，property2，...，propertyp_num}，其中p_num表示关系数量；带有不确定信息的三元组集合G＝{<l1，s1>，<l1，s1>，...，<lt_num，st_num>}，其中<li，si>∈G，li＝(hi，ri，ti)，hi表示三元组的头实体，ti表示尾实体，ri表示头实体和尾实体之间的关系，si表示三元组的置信度分数即不确定信息，t_num表示三元组的数量。
步骤(2)初始化实例、类型、关系表示：
对于实例、类型、关系的向量初始化表示方法是：对实例集合E＝{entity1，entity2，...，entitye_num}，其中每个entityi实例都表示成一个m维的向量
Figure BDA0002792935920000071
对于类型集合C＝{class1，class2，...，classc_num}，其中每个类型classi都表示成一个m维的超球体(ci，ρi)，其中
Figure BDA0002792935920000072
为m维的向量，表示超球体的球心，
Figure BDA0002792935920000073
表示超球体的半径；对于关系集合P＝{property1，property2，...，propertyp_num}，其中每个关系propertyi表示为2*m维超球体
Figure BDA0002792935920000081
其中
Figure BDA0002792935920000082
是2m维向量，表示超球体球心，
Figure BDA0002792935920000083
表示domain即该关系的定义域，
Figure BDA0002792935920000084
表示range即该关系的值域，
Figure BDA0002792935920000085
表示关系超球体半径。
另外，对于实例、类型、关系向量的初始化采用基于高斯分布的随机方法进行初始化，并限制所有向量的模为1，m为大于等于1的自然数，在实施过程中m一般设定为128。
步骤(3)基于不确定本体的距离函数，构建不确定三元组的能量方程：
根据不确定性三元组所描述的关系类型的不同，将这些三元组划分成六组，分别是：data类型，表示实例和实例之间的关系；type类型，表示实例所属类型；sc类型，表示类型与其父类的从属关系；domain类型，表示关系的定义域；range类型，表示关系的值域；subproperty表示关系与其父类的从属关系。并分别为这六种类型定义距离函数：Gap(l)data、Gap(l)type、Gap(l)sc、Gap(l)domain、Gap(l)range、Gap(l)sp。
对于data类型的三元组l＝(ei，pi，ej)∈E×P×E，其距离函数Gap(l)data定义如下：
Figure BDA0002792935920000086
其中符号||·||2表示向量的L2距离。
对于type类型的三元组l＝(ei，type，ci)∈E×{type}×C，其距离函数Gap(l)type定义如下：
Gap(l)type＝max(0，||ei-ci||2-ρi)
对于domain类型的三元组l＝(pi，dom，ci)∈C×{dom}×P，其距离函数Gap(l)dom定义如下：
Figure BDA0002792935920000091
对于domain类型的三元组l＝(pi，dom，ci)∈C×{dom}×P：
Figure BDA0002792935920000092
对于range类型的三元组l＝(pi，range，ci)∈C×{range}×P，其距离函数Gap(l)range定义如下：
Figure BDA0002792935920000093
对于subproperty类型的三元组l＝(pi，sp，pj)∈P×{sp}×P，其距离函数Gap(l)sp定义如下：
Figure BDA0002792935920000094
不确定性三元组能量函数f*(l)，定义如下：
f*(l)＝1-σ(Gap(l)*)
其中Gap(l)*表示以上定义的六种类型的距离函数，σ(·)为归一化函数，用于将距离函数映射到[0，1]区间。
归一化函数σ(·)定义如下：
Figure BDA0002792935920000095
其中e表示自然常数。
步骤(4)根据所述能量方程，构建并最小化损失函数，学习向量表示：
损失函数L定义如：
L＝Ldata+Ltype+Lsc+Ldom+Lrange+Lsp
其中Ldata表示data类型三元组的损失函数，Ltype表示type类型三元组的损失函数，Ltype表示type类型三元组的损失函数，Lsc表示sc类型三元组的损失函数，Ldom表示domain类型三元组的损失函数，Lrange表示range类型三元组的损失函数，Lsp表示subproperty类型三元组的损失函数。
对于以上Ldata、Ltype、Lsc、Ldom、Lrange、Lsp损失函数L*定义如下：
Figure BDA0002792935920000101
在实施过程中，对于损失函数的优化一般采用随机梯度下降方法进行学习，学习率一般取0.01。经过最小化损失函数过程，最后可以得到不确定性本体图谱中实例、类型、关系的表示。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。

Claims (8)

1.一种基于不确定性本体的知识表示方法，其特征在于，包括以下步骤：
步骤(1)从带有不确定性信息的本体知识图谱中获取实体、类型、关系及带有不确定信息的三元组；
步骤(2)对实例、类型、关系的表示向量初始化；
步骤(3)基于不确定性本体的距离函数，构建不确定三元组的能量方程；
步骤(4)根据所述距离函数，构建基于均方误差的损失函数，通过最小化损失函数，学习实体及关系的表示。
2.根据权利要求1所述的一种基于不确定性本体的知识表示方法，
其特征在于，所述步骤(1)，需要从图谱中获取数据包括：
图谱中的实例集合E＝{entity1，entity2，...，entitye_num}，其中e_num表示实例数量；类型集合C＝{class1，class2，...，classc_num}，其中c_num表示类型数量；关系集合P＝{property1，property2，...，propertyp_num}，其中p_num表示关系数量；
其中带有不确定信息的三元组合集合；
G＝{<l1，s1>，<l2，s2>，...，<lt_num，st_num>}，其中<li，si＞∈G，li＝(hi，ri，ti)，其中hi表示三元组的头实体，ti表示尾实体，ri表示头实体和尾实体之间的关系，si表示三元组的置信度分数即不确定信息，t_num表示三元组的数量。
3.根据权利要求1所述的基于不确定本体的知识表示方法，其特征在于，所述步骤(2)中，对于实例、类型、关系的表示初始化方法是：对实例集合E＝{entity1，entity2，...，entitye_num}，其中每个entityi实例都表示成一个m维的向量
Figure FDA0002792935910000021
对于类型集合C＝{class1，class2，...，classc_num}，其中每个类型classi都表示成一个m维的超球体(ci，ρi)，其中
Figure FDA0002792935910000022
为m维的向量，表示超球体的球心，
Figure FDA0002792935910000023
表示超球体的半径；对于关系集合P＝{property1，property2，...，propertyp_num}，其中每个关系propertyi表示为2*m维超球体
Figure FDA0002792935910000024
其中
Figure FDA0002792935910000025
是2m维向量，表示超球体球心，
Figure FDA0002792935910000026
表示domain即该关系的定义域，
Figure FDA0002792935910000027
表示range即该关系的值域，
Figure FDA0002792935910000028
表示关系超球体半径。
4.根据权利要求1所述的基于不确定性本体的知识表示方法，其特征在于，所述步骤3中基于不确定性本体的距离函数的定义方法是，首先根据不确定性三元组所描述的关系类型的不同，将这些三元组划分成六组，分别是：data类型，表示实例和实例之间的关系；type类型，表示实例所属类型；sc类型，表示类型与其父类的从属关系；domain类型，表示关系的定义域；range类型，表示关系的值域；subproperty表示关系与其父类的从属关系。之后，分别为这六种类型定义距离函数：Gap(l)data、Gap(l)type、Gap(l)sc、Gap(l)domain、Gap(l)range、Gap(l)sp。
5.根据权利要求4所述的基于不确定性本体的知识表示方法，其特征在于，对于data类型的三元组l＝(ei，pi，ej)∈E×P×E，其距离函数Gap(l)data定义如下：
Figure FDA0002792935910000031
其中符号||·||2表示向量的L2距离；
对于type类型的三元组l＝(ei，type，ci)∈E×{type}×C，其距离函数Gap(l)type定义如下：
Gap(l)type＝max(0，||ei-ci||2-ρi)；
对于sc类型的三元组l＝(ci，sc，cj)∈C×{sc}×C，其距离函数Gap(l)sc定义如下：
Gap(l)sc＝max(0，||ci-ci||2-ρj+ρi)；
对于domain类型的三元组l＝(pi，dom，ci)∈C×{dom}×P，其距离函数Gap(l)dom定义如下：
Figure FDA0002792935910000032
对于range类型的三元组l＝(pi，range，ci)∈C×{range}×P，其距离函数Gap(l)range定义如下：
Figure FDA0002792935910000033
对于subproperty类型的三元组l＝(pi，sp，pj)∈P×{sp}×P，其距离函数Gap(l)sp定义如下：
Figure FDA0002792935910000041
其中不确定性三元组能量函数f*(l)，定义如下：
f*(l)＝1-σ(Gap(l)*)
其中Gap(l)*表示以上定义的六种距离函数中任意一种，σ(·)为归一化函数，用于将距离函数映射到[0，1]区间。
6.根据权利要求5所述的基于不确定本体的知识表示方法，其特征在于，其中归一化函数σ(·)，σ函数定义如下：
Figure FDA0002792935910000042
其中e表示自然常数。
7.根据权利要求1所述的基于不确定本体性的知识表示方法，其特征在于，所述步骤步骤(4)所述的损失函数L定义如：
L＝Ldata+Ltype+Lsc+Ldom+Lrange+Lsp
其中Ldata表示data类型三元组的损失函数，Ltype表示type类型三元组的损失函数，Ltype表示type类型三元组的损失函数，Lsc表示sc类型三元组的损失函数，Ldom表示domain类型三元组的损失函数，Lrange表示range类型三元组的损失函数，Lsp表示subproperty类型三元组的损失函数。通过优化方法最小化损失函数来学习实例、类型、关系的表示。
8.根据权利要求7所述的基于不确定本体性的知识表示方法，其特征在于，损失函数，其特征在于，对于以上Ldata、Ltype、Lsc、Ldom、Lrange、Lsp损失函数L*定义如下：
Figure FDA0002792935910000051
CN202011321197.0A 2020-11-23 2020-11-23 一种基于不确定性本体的知识表示方法 Pending CN112463979A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011321197.0A CN112463979A (zh) 2020-11-23 2020-11-23 一种基于不确定性本体的知识表示方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011321197.0A CN112463979A (zh) 2020-11-23 2020-11-23 一种基于不确定性本体的知识表示方法

Publications (1)

Publication Number Publication Date
CN112463979A true CN112463979A (zh) 2021-03-09

Family

ID=74799557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011321197.0A Pending CN112463979A (zh) 2020-11-23 2020-11-23 一种基于不确定性本体的知识表示方法

Country Status (1)

Country Link
CN (1) CN112463979A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170337268A1 (en) * 2016-05-17 2017-11-23 Xerox Corporation Unsupervised ontology-based graph extraction from texts
CN110309310A (zh) * 2018-02-12 2019-10-08 清华大学 基于置信度的知识表示学习方法
CN110647620A (zh) * 2019-09-23 2020-01-03 中国农业大学 一种基于置信超平面和词典信息的知识图谱表示学习方法
CN110795511A (zh) * 2019-10-30 2020-02-14 南京工业大学 一种基于云模型的知识图谱表示方法
CN111026875A (zh) * 2019-11-26 2020-04-17 中国人民大学 一种基于实体描述和关系路径的知识图谱补全方法
CN111027700A (zh) * 2019-12-18 2020-04-17 福州大学 基于wcur算法的知识库补全方法
CN111144570A (zh) * 2019-12-27 2020-05-12 福州大学 一种联合逻辑规则和置信度的知识表示方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170337268A1 (en) * 2016-05-17 2017-11-23 Xerox Corporation Unsupervised ontology-based graph extraction from texts
CN110309310A (zh) * 2018-02-12 2019-10-08 清华大学 基于置信度的知识表示学习方法
CN110647620A (zh) * 2019-09-23 2020-01-03 中国农业大学 一种基于置信超平面和词典信息的知识图谱表示学习方法
CN110795511A (zh) * 2019-10-30 2020-02-14 南京工业大学 一种基于云模型的知识图谱表示方法
CN111026875A (zh) * 2019-11-26 2020-04-17 中国人民大学 一种基于实体描述和关系路径的知识图谱补全方法
CN111027700A (zh) * 2019-12-18 2020-04-17 福州大学 基于wcur算法的知识库补全方法
CN111144570A (zh) * 2019-12-27 2020-05-12 福州大学 一种联合逻辑规则和置信度的知识表示方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杜文倩 等: "融合实体描述及类型的知识图谱表示学习方法", 中文信息学报, no. 07, 15 July 2020 (2020-07-15) *

Similar Documents

Publication Publication Date Title
Gao et al. Hypergraph learning: Methods and practices
Tang et al. Deep safe incomplete multi-view clustering: Theorem and algorithm
Trisedya et al. Entity alignment between knowledge graphs using attribute embeddings
CN111160564B (zh) 一种基于特征张量的中文知识图谱表示学习方法
Zhang et al. Knowledge graph embedding by logical-default attention graph convolution neural network for link prediction
Zhou et al. Community detection based on unsupervised attributed network embedding
CN111241840A (zh) 一种基于知识图谱的命名实体识别方法
Zhang et al. Role-based network embedding via structural features reconstruction with degree-regularized constraint
Chen et al. Multi-granular mining for boundary regions in three-way decision theory
Jin et al. Cold-start active learning for image classification
CN114036308A (zh) 基于图注意力神经网络的知识图谱表示方法
CN105809200B (zh) 一种生物启发式自主抽取图像语义信息的方法及装置
Yan et al. Sparse and hierarchical transformer for survival analysis on whole slide images
WO2021082444A1 (zh) 用于大规模脑病历分割的多粒度Spark超信任模糊方法
Valentini et al. Het-node2vec: second order random walk sampling for heterogeneous multigraphs embedding
CN112463979A (zh) 一种基于不确定性本体的知识表示方法
Chen et al. Image annotation via reconstitution graph learning model
Wang Analysis of poetry style based on text classification algorithm
Liu et al. Learning from semantically dependent multi-tasks
CN113139067A (zh) 一种基于Point Set Registration的医学本体对齐方法
Liu et al. Learning from small data: A pairwise approach for ordinal regression
Jiang et al. Deep self-supervised clustering with embedding adjacent graph features
Huang et al. Incremental Unsupervised Adversarial Domain Adaptation for Federated Learning in IoT Networks
Zhou et al. Automatic Knowledge Graph Construction for Judicial Cases
Yang et al. GEUKE: A geographic entities uniformly explicit knowledge embedding model

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