CN113377968B - 一种采用融合实体上下文的知识图谱链路预测方法 - Google Patents

一种采用融合实体上下文的知识图谱链路预测方法 Download PDF

Info

Publication number
CN113377968B
CN113377968B CN202110934041.8A CN202110934041A CN113377968B CN 113377968 B CN113377968 B CN 113377968B CN 202110934041 A CN202110934041 A CN 202110934041A CN 113377968 B CN113377968 B CN 113377968B
Authority
CN
China
Prior art keywords
context
entity
embedded
representing
encoder
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
CN202110934041.8A
Other languages
English (en)
Other versions
CN113377968A (zh
Inventor
赵鸿剑
舒坚
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.)
Nanchang Hangkong University
Original Assignee
Nanchang Hangkong 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 Nanchang Hangkong University filed Critical Nanchang Hangkong University
Priority to CN202110934041.8A priority Critical patent/CN113377968B/zh
Publication of CN113377968A publication Critical patent/CN113377968A/zh
Application granted granted Critical
Publication of CN113377968B publication Critical patent/CN113377968B/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
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • G06F40/126—Character encoding
    • 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)
  • Computational Linguistics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种采用融合实体上下文的知识图谱链路预测方法，包括如下步骤：步骤一：定义实体上下文刻画实体在知识图谱中的语义信息；步骤二：对于实体在上下文的每一个实例使用上下文编码器得到上下文实例的嵌入表示；步骤三：使用GAT模型聚合实体在上下文中所有上下文实例的嵌入表示，以得到实体在上下文中的嵌入表示；步骤四：使用空洞卷积融合实体所有的上下文嵌入表示；步骤五：使用全连接层进行知识图谱的链路预测。本发明能够解决现有技术捕捉实例语义信息单一的问题。

Description

一种采用融合实体上下文的知识图谱链路预测方法
技术领域
本发明涉及知识图谱链路预测技术领域，特别是涉及一种采用融合实体上下文的知识图谱链路预测方法。
背景技术
知识图谱是语义网络的知识库，由于构建技术不足和知识图谱本身的复杂性，常常使得知识图谱处于不完备的状态，知识图谱链路预测正是为了解决这一问题而发展起来的技术。
现有的链路预测方法都是基于表示学习的方法，将实例的语义信息嵌入到低维向量，而后运用向量间的数学计算实现知识图谱链路预测。当前已有的链路预测方法，例如基于翻译的方法有TransE、TransH、TransR等，基于语义匹配的方法有RESCAL、DistMult、ComplEx。这些方法都将知识图谱看作独立的三元组的集合，忽略了三元组之间的相互联系，从而造成结构信息的缺失。基于图神经网络的方法有R-GCN、R-GAT等，能够捕捉实例在知识图谱中的结构信息，但是只简单的聚合了邻居，捕捉实例语义信息单一，没有刻画更为复杂的语义信息。
发明内容
针对上述问题，本发明的目的在于提出一种采用融合实体上下文的知识图谱链路预测方法，以解决现有技术捕捉实例语义信息单一的问题。
本发明采用的技术方案如下：
一种采用融合实体上下文的知识图谱链路预测方法，包括如下步骤：
步骤一：定义实体上下文刻画实体在知识图谱中的语义信息；
步骤二：对于实体在上下文的每一个实例使用上下文编码器得到上下文实例的嵌入表示；
步骤三：使用GAT模型聚合实体在上下文中所有上下文实例的嵌入表示，以得到实体在上下文中的嵌入表示；
步骤四：使用空洞卷积融合实体所有的上下文嵌入表示；
步骤五：使用全连接层进行知识图谱的链路预测。
其中，步骤一中所定义的实体上下文如下：
实体的邻居上下文定义：
Figure 643677DEST_PATH_IMAGE001
其中，G为知识图谱，h,r,t分别表示头实体、关系和尾实体，(h,r,t)表示知识图谱中存在的真实三元组，
Figure 683177DEST_PATH_IMAGE002
为头实体h的邻居上下文，(r,t)表示头实体h所在真实三元组(h,r,t)中关系和尾实体组成的二元组；
实体的路径上下文定义：
Figure 282786DEST_PATH_IMAGE003
其中，
Figure 15118DEST_PATH_IMAGE004
为头实体h的邻居上下文，
Figure 67388DEST_PATH_IMAGE005
表示以实体h为起点路径长度为L的第1条路径，
Figure 412044DEST_PATH_IMAGE006
表示以实体h为起点路径长度为L的第k条路径；
实体的边上下文定义：
Figure 866159DEST_PATH_IMAGE007
其中，
Figure 769393DEST_PATH_IMAGE008
为头实体h的边上下文，
Figure 308959DEST_PATH_IMAGE009
表示知识图谱中符合前两项为(h,r)的所有三元组。
其中，步骤二中，实体的邻居上下文是其所在三元组中关系和尾实体组成的二元组，采用拼接加非线性变换的方式编码邻居上下文：
Figure 955841DEST_PATH_IMAGE010
Figure 264462DEST_PATH_IMAGE011
表示邻居上下文编码器，其中σ为激活函数，W N 为线性变换矩阵，
Figure 338598DEST_PATH_IMAGE012
分别表示关系和尾实体的嵌入向量，[ ]表示拼接操作；
实体的路径上下文是一条由实体关系交替出现的序列，门控循环单元模型适用于序列表示学习：
Figure 99880DEST_PATH_IMAGE013
Figure 48988DEST_PATH_IMAGE014
表示路径上下文编码器，其中GRUcell表示门控循环单元模型的基本单元；
实体的边上下文是单独的关系，采用非线性变换的方式编码边上下文：
Figure 212116DEST_PATH_IMAGE015
Figure 457153DEST_PATH_IMAGE016
表示边上下文编码器，其中，W E 为线性变换矩阵。
其中，步骤三中，使用GAT模型聚合实体在该上下文中所有上下文实例的嵌入表示，以得到实体在该上下文中的嵌入表示：
Figure 971311DEST_PATH_IMAGE017
其中，
Figure 959996DEST_PATH_IMAGE018
为头实体h在l+1次迭代后的聚合向量，
Figure 243209DEST_PATH_IMAGE019
为头实体h在l次迭代后的聚合向量，
Figure 393568DEST_PATH_IMAGE020
为头实体h的上下文集合，c为其中一个上下文实例，
Figure 958804DEST_PATH_IMAGE021
为上下文实例c编码后的嵌入向量，
Figure 157704DEST_PATH_IMAGE022
为上下文实例c的注意力值，计算公式如下：
Figure 420058DEST_PATH_IMAGE023
其中，LeakRelu为GAT模型的激活函数，
Figure 475739DEST_PATH_IMAGE024
为上下文编码器，
Figure 433330DEST_PATH_IMAGE025
为对应上下文编码器的线性变换矩阵，
Figure 29397DEST_PATH_IMAGE026
为上下文集合
Figure 21624DEST_PATH_IMAGE027
中的除c以外的其它上下文实例，
Figure 543478DEST_PATH_IMAGE028
为上下文实例
Figure 581842DEST_PATH_IMAGE026
编码后的嵌入向量。
其中，步骤四具体包括：
分别将(h,r,t)的多个上下文嵌入拼接起来；
将(h,r,t)拼接后的嵌入变形为一个二维矩阵；
对上一步得到的二维矩阵使用空洞卷积融合实体的多个上下文信息；
将卷积得到的多个嵌入展平为单个向量，作为融合后的三元组(h,r,t)的嵌入
Figure 388124DEST_PATH_IMAGE029
。
其中，步骤五中，使用全连接层进行知识图谱的链路预测：
Figure 234857DEST_PATH_IMAGE030
其中，
Figure 429078DEST_PATH_IMAGE031
为三元组(h,r,t)的得分函数，sigmoid为激活函数，用于将三元组得分映射到区间[0,1]，W T 为线性变换矩阵，
Figure 689158DEST_PATH_IMAGE032
为融合后的三元组嵌入。
根据本发明提供的采用融合实体上下文的知识图谱链路预测方法，具有以下有益效果：
本发明首先通过定义多种上下文结构来刻画知识图谱中实体的语义信息，对于每一种上下文通过对应的上下文编码器得到实体在上下文中所有上下文实例的嵌入表示；其次，采用图注意力模型（Graph Attention Network，GAT）方法聚合实体在该上下文中的所有上下文实例的嵌入表示，得到实体在该上下文的嵌入表示；最后，采用空洞卷积方法融合实体的多种上下文嵌入表示，使用全连接层进行知识图谱的链路预测。本发明通过GAT聚合上下文所刻画的实体语义信息，通过空洞卷积的方式融合多种语义信息，解决了现有技术捕捉实体语义信息单一的问题。
附图说明
图1为本发明提供的采用融合实体上下文的知识图谱链路预测方法的技术原理图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请结合图1，本发明提供一种采用融合实体上下文的知识图谱链路预测方法，包括如下步骤：
步骤一：定义实体上下文刻画实体在知识图谱中的语义信息；
步骤二：对于实体在该上下文的每一个实例使用上下文编码器得到上下文实例的嵌入表示；
步骤三：使用GAT模型聚合实体在该上下文中所有上下文实例的嵌入表示，以得到实体在该上下文中的嵌入表示；
步骤四：使用空洞卷积融合实体所有的上下文嵌入表示；
步骤五：使用全连接层进行知识图谱的链路预测；
作为上述技术方案的进一步描述：
步骤一所定义的实体上下文如下：
实体的邻居上下文定义：
Figure 502393DEST_PATH_IMAGE001
（1）
其中，G为知识图谱，h,r,t分别表示头实体、关系和尾实体，(h,r,t)表示知识图谱中存在的真实三元组，
Figure 95311DEST_PATH_IMAGE002
为头实体h的邻居上下文，(r,t)表示头实体h所在真实三元组(h,r,t)中关系和尾实体组成的二元组；
实体的路径上下文定义：
Figure 70220DEST_PATH_IMAGE033
（2）
其中，
Figure 879913DEST_PATH_IMAGE004
为头实体h的邻居上下文，
Figure 496839DEST_PATH_IMAGE005
表示以实体h为起点路径长度为L的第1条路径，
Figure 177219DEST_PATH_IMAGE006
表示以实体h为起点路径长度为L的第k条路径；
实体的边上下文定义：
Figure 323030DEST_PATH_IMAGE007
（3）
其中，
Figure 354440DEST_PATH_IMAGE008
为头实体h的边上下文，
Figure 509477DEST_PATH_IMAGE009
表示知识图谱中符合前两项为(h,r)的所有三元组。
本实施例中，步骤二具体步骤如下：
对于实体在该上下文的每一个实例使用上下文编码器得到上下文实例的嵌入表示：
实体的邻居上下文是其所在三元组中关系和尾实体组成的二元组，采用拼接加非线性变换的方式编码邻居上下文：
Figure 808478DEST_PATH_IMAGE010
（4）
Figure 390769DEST_PATH_IMAGE011
表示邻居上下文编码器，其中σ为激活函数，W N 为线性变换矩阵，
Figure 909475DEST_PATH_IMAGE012
分别表示关系和尾实体的嵌入向量，[ ]表示拼接操作；
实体的路径上下文是一条由实体关系交替出现的序列，门控循环单元（GateRecurrent Unit，GRU）模型适用于序列表示学习：
Figure 602625DEST_PATH_IMAGE013
（5）
Figure 523176DEST_PATH_IMAGE034
表示路径上下文编码器，其中GRUcell表示门控循环单元模型的基本单元；
实体的边上下文是单独的关系，采用非线性变换的方式编码边上下文：
Figure 276369DEST_PATH_IMAGE015
（6）
Figure 16792DEST_PATH_IMAGE016
表示边上下文编码器，其中，W E 为线性变换矩阵。
本实施例中，步骤三具体步骤如下：
使用GAT模型聚合实体在该上下文中所有上下文实例的嵌入表示，以得到实体在该上下文中的嵌入表示：
Figure 310370DEST_PATH_IMAGE017
（7）
其中，
Figure 960794DEST_PATH_IMAGE018
为头实体h在l+1次迭代后的聚合向量，
Figure 510986DEST_PATH_IMAGE019
为头实体h在l次迭代后的聚合向量，
Figure 879651DEST_PATH_IMAGE020
为头实体h的上下文集合，c为其中一个上下文实例，
Figure 773657DEST_PATH_IMAGE021
为上下文实例c编码后的嵌入向量，
Figure 278588DEST_PATH_IMAGE022
为上下文实例c的注意力值，计算公式如下：
Figure 498217DEST_PATH_IMAGE023
（8）
其中，LeakRelu为GAT模型的激活函数，
Figure 88598DEST_PATH_IMAGE024
为上下文编码器，
Figure 51875DEST_PATH_IMAGE025
为对应上下文编码器的线性变换矩阵，
Figure 676891DEST_PATH_IMAGE026
为上下文集合
Figure 831536DEST_PATH_IMAGE027
中的除c以外的其它上下文实例，
Figure 909213DEST_PATH_IMAGE028
为上下文实例
Figure 410602DEST_PATH_IMAGE026
编码后的嵌入向量。
本实施例中，
步骤四具体步骤如下：
1）分别将(h,r,t)的多个上下文嵌入拼接起来；
2）将(h,r,t)拼接后的嵌入变形为一个二维矩阵；
3）对上一步得到的二维矩阵使用空洞卷积融合实体的多个上下文信息；
4）将卷积得到的多个嵌入展平为单个向量，作为融合后的三元组(h,r,t)的嵌入
Figure 624545DEST_PATH_IMAGE035
；
本实施例中，步骤五具体步骤如下：
使用全连接层进行知识图谱的链路预测：
Figure 451556DEST_PATH_IMAGE030
（9）
其中，
Figure 16529DEST_PATH_IMAGE031
为三元组(h,r,t)的得分函数，sigmoid为激活函数，用于将三元组得分映射到区间[0,1]，W T 为线性变换矩阵，
Figure 321609DEST_PATH_IMAGE032
为融合后的三元组嵌入。
根据上述的采用融合实体上下文的知识图谱链路预测方法，首先通过定义多种上下文结构来刻画知识图谱中实体的语义信息，对于每一种上下文通过对应的上下文编码器得到实体在上下文中所有上下文实例的嵌入表示；其次，采用图注意力模型（GraphAttention Network，GAT）方法聚合实体在该上下文中的所有上下文实例的嵌入表示，得到实体在该上下文的嵌入表示；最后，采用空洞卷积方法融合实体的多种上下文嵌入表示，使用全连接层进行知识图谱的链路预测。本发明通过GAT聚合上下文所刻画的实体语义信息，通过空洞卷积的方式融合多种语义信息，解决了现有技术捕捉实体语义信息单一的问题。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (4)

1.一种采用融合实体上下文的知识图谱链路预测方法，其特征在于，包括如下步骤：
步骤一：定义实体上下文刻画实体在知识图谱中的语义信息；
步骤二：对于实体在上下文的每一个实例使用上下文编码器得到上下文实例的嵌入表示；
步骤三：使用GAT模型聚合实体在上下文中所有上下文实例的嵌入表示，以得到实体在上下文中的嵌入表示；
步骤四：使用空洞卷积融合实体所有的上下文嵌入表示；
步骤五：使用全连接层进行知识图谱的链路预测；
步骤一中所定义的实体上下文如下：
实体的邻居上下文定义：
Figure 760232DEST_PATH_IMAGE001
其中，G为知识图谱，h,r,t分别表示头实体、关系和尾实体，(h,r,t)表示知识图谱中存在的真实三元组，
Figure 20312DEST_PATH_IMAGE002
为头实体h的邻居上下文，(r,t)表示头实体h所在真实三元组(h,r,t)中关系和尾实体组成的二元组；
实体的路径上下文定义：
Figure 505651DEST_PATH_IMAGE003
其中，
Figure 534787DEST_PATH_IMAGE004
为头实体h的路径上下文，
Figure 962226DEST_PATH_IMAGE005
表示以实体h为起点路径长度为L的第1条路径，
Figure 444023DEST_PATH_IMAGE006
表示以实体h为起点路径长度为L的第k条路径；
实体的边上下文定义：
Figure 998632DEST_PATH_IMAGE007
其中，
Figure 616695DEST_PATH_IMAGE008
为头实体h的边上下文，
Figure 713571DEST_PATH_IMAGE009
表示知识图谱中符合前两项为(h,r)的所有三元组；
步骤二中，实体的邻居上下文是其所在三元组中关系和尾实体组成的二元组，采用拼接加非线性变换的方式编码邻居上下文：
Figure 948243DEST_PATH_IMAGE010
Figure 775385DEST_PATH_IMAGE011
表示邻居上下文编码器，其中σ为激活函数，W N 为线性变换矩阵，
Figure 779113DEST_PATH_IMAGE012
分别表示关系和尾实体的嵌入向量，[ ]表示拼接操作；
实体的路径上下文是一条由实体关系交替出现的序列，门控循环单元模型适用于序列表示学习：
Figure 548355DEST_PATH_IMAGE013
Figure 145689DEST_PATH_IMAGE014
表示路径上下文编码器，其中GRUcell表示门控循环单元模型的基本单元；
实体的边上下文是单独的关系，采用非线性变换的方式编码边上下文：
Figure 901155DEST_PATH_IMAGE015
Figure 119909DEST_PATH_IMAGE016
表示边上下文编码器，其中，W E 为线性变换矩阵。
2.根据权利要求1所述的采用融合实体上下文的知识图谱链路预测方法，其特征在于，步骤三中，使用GAT模型聚合实体在该上下文中所有上下文实例的嵌入表示，以得到实体在该上下文中的嵌入表示：
Figure 935419DEST_PATH_IMAGE017
其中，
Figure 754470DEST_PATH_IMAGE018
为头实体h在l+1次迭代后的聚合向量，
Figure 313627DEST_PATH_IMAGE019
为头实体h在l次迭代后的聚合向量，
Figure 151002DEST_PATH_IMAGE020
为头实体h的上下文集合，c为其中一个上下文实例，
Figure 137413DEST_PATH_IMAGE021
为上下文实例c编码后的嵌入向量，
Figure 443760DEST_PATH_IMAGE022
为上下文实例c的注意力值，计算公式如下：
Figure 541029DEST_PATH_IMAGE023
其中，LeakRelu为GAT模型的激活函数，
Figure 731446DEST_PATH_IMAGE024
为上下文编码器，
Figure 623179DEST_PATH_IMAGE025
为对应上下文编码器的线性变换矩阵，
Figure 416822DEST_PATH_IMAGE026
为上下文集合
Figure 317782DEST_PATH_IMAGE027
中的除c以外的其它上下文实例，
Figure 864170DEST_PATH_IMAGE028
为上下文实例
Figure 192383DEST_PATH_IMAGE026
编码后的嵌入向量。
3.根据权利要求2所述的采用融合实体上下文的知识图谱链路预测方法，其特征在于，步骤四具体包括：
分别将(h,r,t)的多个上下文嵌入拼接起来；
将(h,r,t)拼接后的嵌入变形为一个二维矩阵；
对上一步得到的二维矩阵使用空洞卷积融合实体的多个上下文信息；
将卷积得到的多个嵌入展平为单个向量，作为融合后的三元组(h,r,t)的嵌入
Figure 207744DEST_PATH_IMAGE029
。
4.根据权利要求3所述的采用融合实体上下文的知识图谱链路预测方法，其特征在于，步骤五中，使用全连接层进行知识图谱的链路预测：
Figure 912395DEST_PATH_IMAGE030
其中，
Figure 188655DEST_PATH_IMAGE031
为三元组(h,r,t)的得分函数，sigmoid为激活函数，用于将三元组得分映射到区间[0,1]，W T 为线性变换矩阵，
Figure 313868DEST_PATH_IMAGE032
为融合后的三元组嵌入。
CN202110934041.8A 2021-08-16 2021-08-16 一种采用融合实体上下文的知识图谱链路预测方法 Active CN113377968B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110934041.8A CN113377968B (zh) 2021-08-16 2021-08-16 一种采用融合实体上下文的知识图谱链路预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110934041.8A CN113377968B (zh) 2021-08-16 2021-08-16 一种采用融合实体上下文的知识图谱链路预测方法

Publications (2)

Publication Number Publication Date
CN113377968A CN113377968A (zh) 2021-09-10
CN113377968B true CN113377968B (zh) 2021-10-29

Family

ID=77577147

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110934041.8A Active CN113377968B (zh) 2021-08-16 2021-08-16 一种采用融合实体上下文的知识图谱链路预测方法

Country Status (1)

Country Link
CN (1) CN113377968B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115391563B (zh) * 2022-09-01 2024-02-06 广东工业大学 一种基于多源异构数据融合的知识图谱链路预测方法
CN115618098B (zh) * 2022-09-08 2023-07-04 淮阴工学院 基于知识增强与空洞卷积的冷链物流推荐方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829057A (zh) * 2019-01-11 2019-05-31 中山大学 一种基于图二阶相似性的知识图谱实体语义空间嵌入方法
CN109992670A (zh) * 2019-04-04 2019-07-09 西安交通大学 一种基于知识图谱邻域结构的图谱完备化方法
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
CN111198950A (zh) * 2019-12-24 2020-05-26 浙江工业大学 一种基于语义向量的知识图谱表示学习方法
CN111784081A (zh) * 2020-07-30 2020-10-16 南昌航空大学 一种采用知识图谱嵌入和时间卷积网络的社交网络链路预测方法
CN112100404A (zh) * 2020-09-16 2020-12-18 浙江大学 基于结构化上下文信息的知识图谱预训练方法
CN112685573A (zh) * 2021-01-06 2021-04-20 中山大学 一种知识图谱嵌入训练方法和相关装置
CN112883200A (zh) * 2021-03-15 2021-06-01 重庆大学 一种面向知识图谱补全的链接预测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11436469B2 (en) * 2017-07-31 2022-09-06 Microsoft Technology Licensing, Llc Knowledge graph for conversational semantic search
CN109036546A (zh) * 2018-06-08 2018-12-18 浙江捷尚人工智能研究发展有限公司 用于临床领域时序知识图谱的链接预测方法及系统
US20200065668A1 (en) * 2018-08-27 2020-02-27 NEC Laboratories Europe GmbH Method and system for learning sequence encoders for temporal knowledge graph completion
CN111159425B (zh) * 2019-12-30 2023-02-10 浙江大学 基于历史关系和双图卷积网络的时态知识图谱表示方法
CN111428047B (zh) * 2020-03-19 2023-04-21 东南大学 一种基于ucl语义标引的知识图谱构建方法及装置
CN112131403A (zh) * 2020-09-16 2020-12-25 东南大学 一种动态环境下的知识图谱表示学习方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829057A (zh) * 2019-01-11 2019-05-31 中山大学 一种基于图二阶相似性的知识图谱实体语义空间嵌入方法
CN109992670A (zh) * 2019-04-04 2019-07-09 西安交通大学 一种基于知识图谱邻域结构的图谱完备化方法
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
CN111198950A (zh) * 2019-12-24 2020-05-26 浙江工业大学 一种基于语义向量的知识图谱表示学习方法
CN111784081A (zh) * 2020-07-30 2020-10-16 南昌航空大学 一种采用知识图谱嵌入和时间卷积网络的社交网络链路预测方法
CN112100404A (zh) * 2020-09-16 2020-12-18 浙江大学 基于结构化上下文信息的知识图谱预训练方法
CN112685573A (zh) * 2021-01-06 2021-04-20 中山大学 一种知识图谱嵌入训练方法和相关装置
CN112883200A (zh) * 2021-03-15 2021-06-01 重庆大学 一种面向知识图谱补全的链接预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Learning Attention-based Embeddings for Relation Prediction in Knowledge Graphs》;Deepak Nathani等;《arXiv》;20190604;第1-10页 *
《引入三元组上下文与文本的知识图谱表示学习方法研究》;石珺;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20190515;第I138-1906页 *

Also Published As

Publication number Publication date
CN113377968A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN113377968B (zh) 一种采用融合实体上下文的知识图谱链路预测方法
CN111159425B (zh) 基于历史关系和双图卷积网络的时态知识图谱表示方法
Deng et al. Ppf-foldnet: Unsupervised learning of rotation invariant 3d local descriptors
CN112669916B (zh) 一种基于对比学习的分子图表示学习方法
CN113378048B (zh) 一种基于多视角知识图谱注意力网络的个性化推荐方法
Tscherepanow TopoART: A topology learning hierarchical ART network
CN115221413B (zh) 一种基于交互式图注意力网络的序列推荐方法及系统
CN114332482A (zh) 一种基于特征融合的轻量化目标检测方法
CN112148891A (zh) 一种基于图感知张量分解的知识图谱补全方法
Xu et al. RGB-T salient object detection via CNN feature and result saliency map fusion
CN115410264A (zh) 用于提高视频中面部表情识别准确率的网络模型及方法
CN113158798A (zh) 一种基于多模态特征完备表示的短视频分类方法
CN112418235A (zh) 一种基于膨胀最近邻特征增强的点云语义分割方法
CN115391563A (zh) 一种基于多源异构数据融合的知识图谱链路预测方法
CN117009547A (zh) 基于图神经网络与对抗学习的多模态知识图谱补全方法和装置
CN115618098A (zh) 基于知识增强与空洞卷积的冷链物流推荐方法及装置
CN111091005A (zh) 一种基于元结构的无监督异质网络表示学习方法
CN116432750B (zh) 一种基于盒嵌入的少样本知识图谱补全方法
CN116844004A (zh) 一种面向数字孪生场景的点云自动语义化建模方法
CN109978013A (zh) 一种用于人物动作识别的深度聚类方法
CN116310324A (zh) 一种基于语义分割的金字塔跨层融合解码器
CN115828988A (zh) 一种基于自监督的异构图表示学习方法
CN115269866A (zh) 基于双视图超关系嵌入框架的知识图谱补全方法
CN110119779B (zh) 基于自编码器的跨网络数据任意维度融合方法和装置
CN111639548A (zh) 一种基于门的视频上下文多模态感知特征优化方法

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