CN112883200A - 一种面向知识图谱补全的链接预测方法 - Google Patents
一种面向知识图谱补全的链接预测方法 Download PDFInfo
- Publication number
- CN112883200A CN112883200A CN202110275802.3A CN202110275802A CN112883200A CN 112883200 A CN112883200 A CN 112883200A CN 202110275802 A CN202110275802 A CN 202110275802A CN 112883200 A CN112883200 A CN 112883200A
- Authority
- CN
- China
- Prior art keywords
- link prediction
- matrix
- entity
- entities
- triples
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 76
- 239000002775 capsule Substances 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 5
- 230000004931 aggregating effect Effects 0.000 abstract description 3
- 238000010276 construction Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 3
- 230000009469 supplementation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000002585 base Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012458 free base Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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)
- 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)
- Probability & Statistics with Applications (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种面向知识图谱补全的链接预测方法，包括：利用给定的头实体和给定的关系依次将与头实体无关的其它实体视为尾实体，利用给定的尾实体和给定的关系依次将与尾实体无关的其它实体视为头实体，通过链接预测模型计算三元组的评分，并将评分最高的尾实体作为所预测的尾实体、将评分最高的头实体作为所预测的头实体；链接预测模型在卷积神经网络上引入了基于注意力机制的全局上下文编码模块，通过聚合局部特征来学习全局上下文信息，增强了用于进行知识图谱补全的特征表示。本发明可以解决卷积神经网络模型在进行知识图谱嵌入学习时，因为没有利用上下文信息，导致很多复杂关系的三元组出现错误链接预测的技术问题。
Description
技术领域
本发明涉及计算机自然语言处理技术领域，具体涉及一种面向知识图谱补全的链接预测方法。
背景技术
知识图谱是一种用于存储一些事实的结构化知识库，可以表示为多关系有向图。知识图谱中的节点表示实体，每条边则表示各实体间的关系(实体间的关系以下简称关系)。实体和关系用三元组(s，r，o)表示，s、o分别表示头实体和尾实体，r表示s和o之间的关系。目前，知识图谱已经广泛的应用于人工智能的多个领域，如语义搜索、推荐系统、问答系统、信息抽取等。尽管知识图谱有着数以百万计的三元组，但大部分知识图谱都处于不完整状态，缺少有效的三元组信息。例如FreeBase中，有60％的人没有确切的出生日期，75％的人没有国籍信息。因此，对现有的知识图谱进行补全是很重要的。
知识图谱补全(KGC)旨在预测出三元组中缺失的部分，从而使知识图谱变得更加完善。通常是通过从外部语料库(例如Web语料库)中提取新的事实，或者从当前知识图谱中已有的事实中推断出缺失的事实，来补全知识图谱。
基于当前知识图谱中已有的事实来推断新的事实被称为链接预测(LP)。当前的链接预测大多都是基于知识图谱嵌入(KG embedding)来进行的，这些模型首先将实体和关系的语义编码为连续的低维向量空间(称为嵌入)，然后使用它们来推断新的三元组是否有效。
当前基于卷积神经网络的的模型在知识图谱嵌入学习中成为了研究热点，2018年，ConvE模型首次将卷积核应用于知识图谱补全，该模型使用二维卷积核来学习实体和关系的信息，然后通过全连接层和非线性操作来进行预测。随后，在ConvKB模型中，通过卷积神经网络学习整个三元组的信息来进行链接预测。在CapsE中，通过将ConvKB中的全连接层替换为两个胶囊网络层，将胶囊网络应用到三元组关系建模中。但是，上述的基于卷积神经网络模型在进行知识图谱嵌入学习时，因为仅仅利用局部信息，没有利用全局上下文信息，导致很多复杂关系的三元组出现错误链接预测。
发明内容
针对现有技术存在的不足，本发明提出一种面向知识图谱补全的链接预测方法，该方法引入了具有注意力机制的全局上下文信息编码模块，以通过融合局部特征学习丰富的全局上下文信息；信息编码模块可以自适应聚合全局上下文信息，从而增强用于知识图谱补全的特征表示。该方法可以解决现有技术中存在的卷积神经网络模型在进行知识图谱嵌入学习时，因为没有利用上下文信息，导致很多复杂关系的三元组出现错误链接预测的技术问题。
本发明采用的技术方案如下：
提供了一种面向知识图谱补全的链接预测方法，包括
利用给定的头实体和给定的关系，依次将与头实体无关的其它实体视为尾实体，通过链接预测模型计算三元组的评分，并将评分最高的尾实体作为所预测的尾实体；
利用给定的尾实体和给定的关系，依次将与尾实体无关的其它实体视为头实体，通过链接预测模型计算三元组的评分，并将评分最高的头实体作为所预测的头实体。
在一种可实现方式中，链接预测模型选用人工神经网络训练得到，人工神经网络包括卷积神经网络层、全局上下文编码层、胶囊网络层。
在一种可实现方式中，链接预测模型的构建过程具体如下：
根据现有的知识图谱中的有效三元组构建无效三元组；
对有效三元组、无效三元组使用知识图谱嵌入方法进行预训练，根据预训练结果对知识图谱的实体和关系的表示进行初始化，生成三元组的嵌入矩阵；
将嵌入矩阵输入到卷积神经网络中，生成原始特征矩阵；
将原始特征矩阵输入到全局上下文编码模块，生成增强特征矩阵；
将增强特征矩阵输入到胶囊网络的胶囊层中，将胶囊层输出的长度作为评分；
将评分作为输出，通过最小化损失函数来训练链接预测模型。
在一种可实现方式中，根据有效三元组构建无效三元组时，使用伯努利策略；对于包含关系r的所有三元组，以tph表示平均每个头实体对应的尾实体数量；以hpt表示平均每个尾实体对应的头实体数量；取伯努利分布的参数为
以概率p替换三元组的头实体，以概率1-p替换三元组的尾实体。
在一种可实现方式中，知识图谱嵌入方法包括图神经网络，矩阵分解模型或距离转移模型。
在一种可实现方式中，生成增强特征矩阵具体按以下步骤进行：
通过原始特征矩阵计算注意力矩阵；
根据注意力矩阵和原始特征矩阵的转置矩阵计算第二中间矩阵；
结合第二中间矩阵和比例系数计算增强特征矩阵。
在一种可实现方式中，结合第二中间矩阵和比例系数计算增强特征矩阵时，将第二中间矩阵乘以比例系数，对原始特征矩阵执行逐元素求和运算，得到增强特征矩阵。
在一种可实现方式中，胶囊层输出的长度采用以下计算式进行计算：
f(s,r,o)＝||capsnet(G(g([es,er,eo]*Ω)))||
在上式中，Ω与为卷积层共享参数，*表示卷积操作，g表示非线性激活函数sigmodl，G表示全局上下文编码模块，capsnet表示的胶囊网络层操作。
在一种可实现方式中，在训练链接预测模型时，使用深度学习优化器Adam，通过最小化带有L2正则化的损失函数对模型进行训练；损失函数定义如下：
在上式中，w为模型的权重，λ为超参数、取值0.01；
在上式中，
表示有效三元组的集合，
表示无效三元组的集合。
第二方面，提供了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现第一方面提供的面向知识图谱补全的链接预测方法。
由上述技术方案可知，本发明的有益技术效果如下：
在对知识图谱进行补全时，通过在卷积神经网络上引入基于注意力机制的全局上下文编码模块，全局上下文编码模块通过聚合局部特征来学习全局上下文信息，增强了用于进行知识图谱补全的特征表示；全局上下文编码模块可直接嵌入现有的知识图谱补全方法中，使卷积神经网络模型在进行知识图谱嵌入学习时，能够充分利用上下文信息，避免复杂关系的三元组出现错误链接预测。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明实施例1的链接预测模型构建流程图；
图2为本发明实施例1的链接预测模型样本训练过程示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
实施例1
本实施例提供一种面向知识图谱补全的链接预测方法，使用链接预测模型对知识图谱进行补全。如图1所示，链接预测模型的构建过程具体如下：
S1、根据现有的知识图谱中的有效三元组构建无效三元组；
现有的知识图谱中，存在一定数量的有效三元组，根据有效三元组构建用于卷积神经网络训练的无效三元组。构建的方法具体如下：
使用伯努利策略从有效的三元组集合中生成无效的三元组，具体的：对于包含关系r的所有三元组，以tph表示平均每个头实体对应的尾实体数量；以hpt表示平均每个尾实体对应的头实体数量；取伯努利分布的参数为
以概率p替换三元组的头实体，以概率1-p替换三元组的尾实体。根据上述步骤，对于一对多的关系以更大的概率替换其头实体，对于多对一的关系以更大的概率替换其尾实体。在后续对模型的训练中，将有效三元组作为正样本，无效三元组作为负样本。
S2、对有效三元组、无效三元组使用知识图谱嵌入方法进行预训练，根据预训练结果对知识图谱的实体和关系进行初始化，生成三元组的嵌入矩阵；
对有效三元组、无效三元组使用知识图谱嵌入方法进行预训练，预训练后得到实体和关系的嵌入。知识图谱嵌入方法的选择不作限定，在具体的实施方式中，可选用图神经网络，矩阵分解模型、距离转移模型，优选距离转移模型中的TransE算法。使用实体和关系的嵌入，对知识图谱的实体和关系进行初始化，分别得到实体和关系的初始化嵌入表示。针对每一个三元组t＝(s,r,o),使用初始化好的嵌入表示(包括实体、关系的表示两种)组合得到三元组的嵌入矩阵
S3、将嵌入矩阵输入到卷积神经网络中，生成原始特征矩阵；
将由上一步骤S2得到的嵌入矩阵输入到卷积神经网络中，用卷积神经网络去捕获局部特征，得到三元组的特定关系的属性。在具体的实施方式中，卷积神经网络具有N个卷积核，卷积核为
即卷积核的大小为1×3，每一个卷积核会得到k×1的向量。将N个这样的向量拼接起来就得到了原始特征矩阵
S4、将原始特征矩阵输入到全局上下文编码模块，生成增强特征矩阵；
全局上下文编码模块使通道注意力机制，获取各个通道之间的相关性。生成增强特征矩阵具体如下：
(1)通过原始特征矩阵计算注意力矩阵
具体的，由原始特征矩阵F得到F的转置矩阵FT，在FT和F之间进行矩阵乘法，然后将得到的结果经过sotfmax函数进行归一化，得到注意力矩阵
(2)根据注意力矩阵和原始特征矩阵的转置矩阵计算第二中间矩阵
通过在注意力矩阵X和原始特征矩阵F的转置矩阵FT之间进行矩阵乘法，得到第一中间矩阵
将第一中间矩阵转变为第二中间矩阵
(3)结合第二中间矩阵和比例系数计算增强特征矩阵
将第二中间矩阵
乘以一个比例系数α，对原始特征矩阵F执行逐元素求和运算，得到增强特征矩阵
比例系数α是一个可学习调整的系数，在具体实施方式中，比例系数α的取值范围是0～1。
S5、将增强特征矩阵输入到胶囊网络的胶囊层中，将胶囊层输出的长度作为评分；
将通过步骤S4得到的增强特征矩阵E输入两个胶囊网络层中，用第二个胶囊网络层输出的长度作为输入三元组的评分分数，定义计算评分的得分函数为胶囊层输出的长度，采用以下计算式进行计算：
f(s,r,o)＝||capsnet(G(g([es,er,eo]*Ω)))||
在上式中，Ω与为卷积层共享参数，*表示卷积操作，g表示非线性激活函数sigmodl，G表示步骤S4中的全局上下文编码模块，capsnet表示步骤S5中的胶囊网络层操作。
选用胶囊网络，可以使用更少的训练数据，更好的处理模糊性。
S6、将评分作为输出，通过最小化损失函数来训练链接预测模型；
训练链接预测模型的过程具体如下：使用深度学习优化器Adam，通过最小化带有L2正则化的损失函数对模型进行训练。损失函数定义如下：
在上式中，w为模型的权重，λ为超参数、取值0.01；
在上式中，
表示有效三元组的集合，
表示无效三元组的集合。
如图2所示，在训练链接预测模型时，链接预测模型的输入为有效三元组、无效三元组；有效三元组、无效三元组按照步骤S2生成三元组的嵌入矩阵，然后依次经过卷积神经网络层、全局上下文编码层、胶囊网络层；最后一层胶囊层的输出为链接预测模型的输出(输出为评分)。对于训练好的链接预测模型，将有效三元组、无效三元组输入后，即可得到评分，评分可用于补全操作。
使用训练好的链接预测模型对知识图谱数据集进行补全操作，具体如下：
利用给定的头实体和给定的关系，依次将与该头实体无关的其它实体视为尾实体，通过链接预测模型计算该三元组的评分，并将评分最高的尾实体作为所预测的尾实体；
利用给定的尾实体和给定的关系，依次将与该尾实体无关的其它实体视为头实体，通过链接预测模型计算该三元组的评分，并将评分最高的头实体作为所预测的头实体。
通过本实施例提供的技术方案，在对知识图谱进行补全时，通过在卷积神经网络上引入基于注意力机制的全局上下文编码模块，全局上下文编码模块通过聚合局部特征来学习全局上下文信息，增强了用于进行知识图谱补全的特征表示；全局上下文编码模块可直接嵌入现有的知识图谱补全方法中，使卷积神经网络模型在进行知识图谱嵌入学习时，能够充分利用上下文信息，避免复杂关系的三元组出现错误链接预测。
实施例2
提供了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现实施例1提供的面向知识图谱补全的链接预测方法。
在具体的实施方式中，链接预测模型选用python编写，框架为TensorFlow，GPU型号为1080TI。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种面向知识图谱补全的链接预测方法，其特征在于，包括：
利用给定的头实体和给定的关系，依次将与头实体无关的其它实体视为尾实体，通过链接预测模型计算三元组的评分，并将评分最高的尾实体作为所预测的尾实体；
利用给定的尾实体和给定的关系，依次将与尾实体无关的其它实体视为头实体，通过链接预测模型计算三元组的评分，并将评分最高的头实体作为所预测的头实体。
2.根据权利要求1所述的面向知识图谱补全的链接预测方法，其特征在于：所述链接预测模型选用人工神经网络训练得到，所述人工神经网络包括卷积神经网络层、全局上下文编码层、胶囊网络层。
3.根据权利要求1所述的面向知识图谱补全的链接预测方法，其特征在于，所述链接预测模型的构建过程具体如下：
根据现有的知识图谱中的有效三元组构建无效三元组；
对有效三元组、无效三元组使用知识图谱嵌入方法进行预训练，根据预训练结果对知识图谱的实体和关系的表示进行初始化，生成三元组的嵌入矩阵；
将嵌入矩阵输入到卷积神经网络中，生成原始特征矩阵；
将原始特征矩阵输入到全局上下文编码模块，生成增强特征矩阵；
将增强特征矩阵输入到胶囊网络的胶囊层中，将胶囊层输出的长度作为评分；
将评分作为输出，通过最小化损失函数来训练链接预测模型。
4.根据权利要求3所述的面向知识图谱补全的链接预测方法，其特征在于：根据有效三元组构建无效三元组时，使用伯努利策略；对于包含关系r的所有三元组，以tph表示平均每个头实体对应的尾实体数量；以hpt表示平均每个尾实体对应的头实体数量；取伯努利分布的参数为
以概率p替换三元组的头实体，以概率1-p替换三元组的尾实体。
5.根据权利要求3所述的面向知识图谱补全的链接预测方法，其特征在于：所述知识图谱嵌入方法包括图神经网络、矩阵分解模型或距离转移模型。
6.根据权利要求3所述的面向知识图谱补全的链接预测方法，其特征在于：生成增强特征矩阵具体按以下步骤进行：
通过原始特征矩阵计算注意力矩阵；
根据注意力矩阵和原始特征矩阵的转置矩阵计算第二中间矩阵；
结合第二中间矩阵和比例系数计算增强特征矩阵。
7.根据权利要求6所述的面向知识图谱补全的链接预测方法，其特征在于：结合第二中间矩阵和比例系数计算增强特征矩阵时，将第二中间矩阵乘以比例系数，对原始特征矩阵执行逐元素求和运算，得到增强特征矩阵。
8.根据权利要求3所述的面向知识图谱补全的链接预测方法，其特征在于：胶囊层输出的长度采用以下计算式进行计算：
f(s，r，o)＝||capsnet(G(g([es，er，e0]*Ω)))||
在上式中，Ω与为卷积层共享参数，*表示卷积操作，σ表示非线性激活函数Sigmoid，G表示全局上下文编码模块，capsnet表示的胶囊网络层操作。
9.根据权利要求3所述的面向知识图谱补全的链接预测方法，其特征在于：在训练链接预测模型时，使用深度学习优化器Adam，通过最小化带有L2正则化的损失函数对模型进行训练；损失函数定义如下：
在上式中，w为模型的权重，λ为超参数、取值0.01；
在上式中，
表示有效三元组的集合，
表示无效三元组的集合。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现权利要求1-9中任一所述的面向知识图谱补全的链接预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110275802.3A CN112883200A (zh) | 2021-03-15 | 2021-03-15 | 一种面向知识图谱补全的链接预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110275802.3A CN112883200A (zh) | 2021-03-15 | 2021-03-15 | 一种面向知识图谱补全的链接预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112883200A true CN112883200A (zh) | 2021-06-01 |
Family
ID=76041846
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110275802.3A Pending CN112883200A (zh) | 2021-03-15 | 2021-03-15 | 一种面向知识图谱补全的链接预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112883200A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113360670A (zh) * | 2021-06-09 | 2021-09-07 | 山东大学 | 一种基于事实上下文的知识图谱补全方法及系统 |
| CN113377968A (zh) * | 2021-08-16 | 2021-09-10 | 南昌航空大学 | 一种采用融合实体上下文的知识图谱链路预测方法 |
| CN113807519A (zh) * | 2021-08-30 | 2021-12-17 | 华中师范大学 | 一种融入教学反馈与习得理解的知识图谱构建方法 |
| CN114817568A (zh) * | 2022-04-29 | 2022-07-29 | 武汉科技大学 | 联合注意力机制与卷积神经网络的知识超图链接预测方法 |
| CN114860877A (zh) * | 2022-04-29 | 2022-08-05 | 华侨大学 | 一种基于知识图谱关系预测的问题链生成方法及系统 |
| CN114912637A (zh) * | 2022-05-21 | 2022-08-16 | 重庆大学 | 人机物知识图谱制造产线运维决策方法及系统、存储介质 |
| CN115146299A (zh) * | 2022-09-06 | 2022-10-04 | 南京众智维信息科技有限公司 | 一种基于知识图谱和域适应的安全托管服务方法 |
| CN115829033A (zh) * | 2023-02-02 | 2023-03-21 | 中国科学技术大学 | 数学应用题知识构建与解答方法、系统、设备及存储介质 |
| CN116401380A (zh) * | 2023-06-07 | 2023-07-07 | 湖北工业大学 | 面向异构知识图谱的对比学习预测方法及系统 |
| CN116992004A (zh) * | 2023-08-23 | 2023-11-03 | 中国科学院自动化研究所 | 基于统一查询编码器的知识图谱复杂问答方法及装置 |
| CN117196025A (zh) * | 2023-09-13 | 2023-12-08 | 安徽国麒科技有限公司 | 基于多视图解码器的知识图谱高阶关系预测方法及系统 |
| US12044545B2 (en) | 2022-03-01 | 2024-07-23 | Here Global B.V. | Method, apparatus, and computer program product for differential variable count entity output head for map generation |
-
2021
- 2021-03-15 CN CN202110275802.3A patent/CN112883200A/zh active Pending
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113360670A (zh) * | 2021-06-09 | 2021-09-07 | 山东大学 | 一种基于事实上下文的知识图谱补全方法及系统 |
| CN113377968A (zh) * | 2021-08-16 | 2021-09-10 | 南昌航空大学 | 一种采用融合实体上下文的知识图谱链路预测方法 |
| CN113377968B (zh) * | 2021-08-16 | 2021-10-29 | 南昌航空大学 | 一种采用融合实体上下文的知识图谱链路预测方法 |
| CN113807519A (zh) * | 2021-08-30 | 2021-12-17 | 华中师范大学 | 一种融入教学反馈与习得理解的知识图谱构建方法 |
| US12044545B2 (en) | 2022-03-01 | 2024-07-23 | Here Global B.V. | Method, apparatus, and computer program product for differential variable count entity output head for map generation |
| CN114817568A (zh) * | 2022-04-29 | 2022-07-29 | 武汉科技大学 | 联合注意力机制与卷积神经网络的知识超图链接预测方法 |
| CN114860877A (zh) * | 2022-04-29 | 2022-08-05 | 华侨大学 | 一种基于知识图谱关系预测的问题链生成方法及系统 |
| CN114817568B (zh) * | 2022-04-29 | 2024-05-10 | 武汉科技大学 | 联合注意力机制与卷积神经网络的知识超图链接预测方法 |
| CN114912637B (zh) * | 2022-05-21 | 2023-08-29 | 重庆大学 | 人机物知识图谱制造产线运维决策方法及系统、存储介质 |
| CN114912637A (zh) * | 2022-05-21 | 2022-08-16 | 重庆大学 | 人机物知识图谱制造产线运维决策方法及系统、存储介质 |
| CN115146299B (zh) * | 2022-09-06 | 2022-12-09 | 南京众智维信息科技有限公司 | 一种基于知识图谱和域适应的安全托管服务方法 |
| CN115146299A (zh) * | 2022-09-06 | 2022-10-04 | 南京众智维信息科技有限公司 | 一种基于知识图谱和域适应的安全托管服务方法 |
| CN115829033B (zh) * | 2023-02-02 | 2023-06-20 | 中国科学技术大学 | 数学应用题知识构建与解答方法、系统、设备及存储介质 |
| CN115829033A (zh) * | 2023-02-02 | 2023-03-21 | 中国科学技术大学 | 数学应用题知识构建与解答方法、系统、设备及存储介质 |
| CN116401380A (zh) * | 2023-06-07 | 2023-07-07 | 湖北工业大学 | 面向异构知识图谱的对比学习预测方法及系统 |
| CN116401380B (zh) * | 2023-06-07 | 2023-08-11 | 湖北工业大学 | 面向异构知识图谱的对比学习预测方法及系统 |
| CN116992004A (zh) * | 2023-08-23 | 2023-11-03 | 中国科学院自动化研究所 | 基于统一查询编码器的知识图谱复杂问答方法及装置 |
| CN117196025A (zh) * | 2023-09-13 | 2023-12-08 | 安徽国麒科技有限公司 | 基于多视图解码器的知识图谱高阶关系预测方法及系统 |
| CN117196025B (zh) * | 2023-09-13 | 2024-09-13 | 安徽国麒科技有限公司 | 基于多视图解码器的知识图谱高阶关系预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112883200A (zh) | 一种面向知识图谱补全的链接预测方法 | |
| US11270225B1 (en) | Methods and apparatus for asynchronous and interactive machine learning using word embedding within text-based documents and multimodal documents | |
| WO2022057669A1 (zh) | 基于结构化上下文信息的知识图谱预训练方法 | |
| WO2021159714A1 (zh) | 一种数据处理方法及相关设备 | |
| CN109992773B (zh) | 基于多任务学习的词向量训练方法、系统、设备及介质 | |
| CN112035746A (zh) | 一种基于时空序列图卷积网络的会话推荐方法 | |
| CN112733768B (zh) | 基于双向特征语言模型的自然场景文本识别方法及装置 | |
| CN111079532A (zh) | 一种基于文本自编码器的视频内容描述方法 | |
| WO2022121651A1 (en) | System and method for knowledge graph construction using capsule neural network | |
| US20200372327A1 (en) | Quantifying the Predictive Uncertainty of Neural Networks Via Residual Estimation With I/O Kernel | |
| Liu et al. | EACP: An effective automatic channel pruning for neural networks | |
| Dai et al. | Hybrid deep model for human behavior understanding on industrial internet of video things | |
| CN113836312A (zh) | 一种基于编码器和解码器架构的知识表示推理方法 | |
| CN115688879A (zh) | 一种基于知识图谱的智能客服语音处理系统及方法 | |
| CN116403730A (zh) | 一种基于图神经网络的药物相互作用预测方法及系统 | |
| Guo et al. | Rmp-loss: Regularizing membrane potential distribution for spiking neural networks | |
| CN111860790A (zh) | 一种提高深度残差脉冲神经网络精度以优化图像分类的方法及其系统 | |
| CN115424660A (zh) | 一种使用预测模型预测多源信息关系的方法、装置 | |
| CN114513337B (zh) | 一种基于邮件数据的隐私保护链接预测方法及系统 | |
| Zhang et al. | Cross-domain recommendation with multi-auxiliary domains via consistent and selective cluster-level knowledge transfer | |
| CN115797952B (zh) | 基于深度学习的手写英文行识别方法及系统 | |
| CN117273143A (zh) | 基于马尔可夫逻辑网络的时序知识图谱推理方法及系统 | |
| CN114580738B (zh) | 一种社交媒体危机事件预测方法及系统 | |
| CN115423076A (zh) | 基于两步式框架的有向超图链式预测方法 | |
| CN114741532A (zh) | 基于多尺度分散动态路由的知识图谱补全方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210601 |
|
| RJ01 | Rejection of invention patent application after publication |