CN113535972B - 一种融合上下文语义的知识图谱链路预测模型方法及装置 - Google Patents
一种融合上下文语义的知识图谱链路预测模型方法及装置 Download PDFInfo
- Publication number
- CN113535972B CN113535972B CN202110631995.1A CN202110631995A CN113535972B CN 113535972 B CN113535972 B CN 113535972B CN 202110631995 A CN202110631995 A CN 202110631995A CN 113535972 B CN113535972 B CN 113535972B
- Authority
- CN
- China
- Prior art keywords
- entity
- information
- knowledge
- graph
- entities
- 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
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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于知识图谱链路预测技术领域,具体为一种融合上下文语义的知识图谱链路预测模型、方法及装置,包括输入采样子图,在输入中每个训练数据都是由n个实体构成的r‑子图谱,n指代r‑子图谱中的实体个数,根据广度优先搜索这一采样策略可生成一系列的关系序列,即一个r‑子图谱即为一条含有n个实体的关系路径,该子图谱可包含三个方面的语义信息:在知识图谱之中的结构信息、子图谱的类型属性元信息和本体信息(详细内容写于属性信息提取部分)以及实体和关系所蕴含的上下文自然语义知识信息,其结构合理,使用LSTM和GCN共同捕获知识图谱中实体的上下文语义表示,提升实体的嵌入表示能力,应用至链路预测任务中,模型性能得到提升。
Description
技术领域
本发明涉及知识图谱链路预测技术领域,具体为一种融合上下文语义的知识图谱链路预测模型方法及装置。
背景技术
致力于知识图谱链路预测领域的三元组语义信息的表示,考虑到现存知识图谱链路预测方法对于知识图谱内语境信息的建模不充分的弊端,加之研究者使用图嵌入方法增强实体和关系的语义化向量表示泛化能力差,以及融合外部文本知识编码方法缺乏结构化知识表示且计算开销过大的问题,在2018年Tim Dettmers提出的ConvE模型基础上使用循环神经网络模型捕获知识图谱内实体间的语义关系,提出一种结构增强的循环神经知识图谱链路预测方法,实现循环神经网络技术与知识图谱两大类方法的优势互补,提升知识图谱中实体和关系的语义表示能力,进一步优化知识图谱的链路预测任务。具体地将成熟的循环神经网络方法应用至知识图谱实体和关系的嵌入表示学习之中,进一步提高了知识图谱链路预测的性能。实验结果显示,我们的方法能够有效提高知识图谱链路预测的性能、速度和泛化能力。
据实际研究和应用观察,在研究较为严谨和应用广泛的FreeBase知识库中超过70%的人的出生地点这一实体缺失。于是国内外知识科学领域的研究者开始研究纠正知识图谱中不正确的三元组和弥补缺失知识三元组的方法,这种方法被称作知识图谱补全(Knowledge Graph Completion)。为实现知识图谱补全的目的,研究人员从外部互联网语料库等其他非结构化数据中抽取出已有知识图谱中的缺失或错误知识的方法被称之为关系抽取。如果研究人员使用已有知识图谱中的知识推理、预测出新的链路,从而达到补全知识图谱的目的,这种方法称作链路预测(Link Prediction)。
在知识图谱这种网络表示形式下,人们需要针对图数据设计专门的算法来存储和利用知识图谱,存在费时费力的缺点,并且极其容易受到数据稀疏问题的影响。以深度学习为代表的表示学习(Representation Learning)技术受到人工智能领域专家的广泛关注。表示学习旨在将复杂研究对象的高维隐式结构和语义信息表示为稠密低维的实值向量的过程,知识表示学习则面向知识图谱中的实体和关系进行表示学习,将实体和关系表示为低维稠密的数值向量,这一技术被称为知识图谱嵌入(Knowledge Graph Embedding,简称KGE)。该技术可以在低维空间中高效计算实体和关系的语义联系,有效解决稀疏问题,使知识获取、融合、推理的性能得到显著提升。
针对知识图谱的链路预测研究在科学理论上和实际工程应用中都具有举足轻重的意义。
发明内容
本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于现有知识图谱链路预测模型、方法及装置中存在的问题,提出了本发明。
因此,本发明的目的是提供一种融合上下文语义的知识图谱链路预测模型方法及装置,能够实现使用LSTM和GCN共同捕获知识图谱中实体的上下文语义表示,提升实体的嵌入表示能力,应用至链路预测任务中,模型性能得到提升。
为解决上述技术问题,根据本发明的一个方面,本发明提供了如下技术方案:
1.一种融合上下文语义的知识图谱链路预测模型方法及装置,其包括:
输入采样子图
在输入中每个训练数据都是由n个实体构成的r-子图谱,n指代r-子图谱中的实体个数,根据广度优先搜索这一采样策略可生成一系列的关系序列,即一个r-子图谱即为一条含有n个实体的关系路径,该子图谱可包含三个方面的语义信息:在知识图谱之中的结构信息、子图谱的类型属性元信息和本体信息以及实体和关系所蕴含的上下文自然语义知识信息,其中,特征提取层设计为一个接受m个维数为n×n的邻接矩阵和m个n×f的属性矩阵,这两个矩阵分别表示r-子图谱的结构信息和子图谱的类型属性信息,这里m是指批量尺寸的大小;把m个p×q大小的知识图谱三元组数据输入进长短期记忆网络(LSTM),这里的p指的是知识图谱训练集的实体的个数,q指的是每个实体的初始嵌入维度;
特征提取器层
在特征提取器使用GCN(图卷积神经网络)提取知识图谱中实体节点的隐式特征信息,针对所给定的某一实体节点,特征提取器层的GCN捕获基于此实体对象的知识图谱特征映射,所提出的融合上下文语义信息的知识图谱链路预测模型中在捕获实体对象的隐式特征时,使用的是3个GCN相级联拼接,每个GCN网络的输入有两个部分:实体对象子图的结构信息和实体对象子图元信息、实体属性信息,其中,实体对象子图的结构信息是由实体对象子图的邻接矩阵计算得来的;
给定实体对象子图的邻接矩阵A、元信息和实体属性信息H,GCN将二者表示为与正规化的图Laplaican联系紧密的静态特征矩阵:
这里的A是知识图谱G的邻接矩阵,I是维数与A相同的单位矩阵,表示一个由矩阵每行数值之和计算得到的对角矩阵;计算得到矩阵A(G)后,将该矩阵和实体元信息-属性矩阵H一起作为每个特征提取器GCN的输入;特征提取器用于提取知识图谱的结构和上下文语境特征;
Embedding层
Embedding层目的是将特征提取器层GCN模型输出的D维富含上下文语义信息的实体对象特征表示,其中将D的值设为128,对于不同类型的知识图谱该值有所不同,维数越高所蕴含的语义信息越丰富;
LSTM层
使用LSTM这种门控循环网络对知识图谱的三元组构成的实体-关系路径子图进行序列化表示,将三元组中的实体和关系视为自然语言中的词(term),首先把实体嵌入向量用glove库中的词向量嵌入特征表示进行初始化,初始词向量设置为200,然后将训练集中的初始化后实体向量输入至LSTM模型之中,从LSTM模型输出可得到的富含语义信息的实体嵌入表示,在本模型中这一嵌入维度为128;
GCN
由GCN构成的特征提取器可通过训练集中实体的初始嵌入向量捕获实体间的结构信息,此时每个知识图谱中的实体都有自己的特征表示,经过LSTM模型之后,每个知识图谱中的实体具有了一定的语义信息,将两种实体向量嵌入表示输入至关系预测网络中,关系预测网络可以预测当前实体在LSTM所捕获的语义嵌入向量下,是否还会与已有的其他实体发生链接,从而预测出了当前实体,在当前语境下的尾实体;
输出层
输出的是一个实体嵌入向量所构成的矩阵,表示模型预测的结果;
基准
将上述模型预测得到的结果和标签进行比对,计算损失函数,以此用来优化目标函数,使得模型性能逐步得到提升。
作为本发明所述的一种融合上下文语义的知识图谱链路预测模型方法及装置的一种优选方案,其中:包括如下步骤:
步骤一:首先在训练数据的知识图谱三元组中采样,得到设定尺寸的子图谱作为每个r-ego图的特征图谱,即采集r-特征子图;
步骤二:然后将采样所得的特征子图输入一个批量学习的深度神经网络层中进行模型训练;
步骤三:最后将模型的输出与真实的结果进行计算比较,计算损失数值并最小化负对数似然函数。
作为本发明所述的一种融合上下文语义的知识图谱链路预测模型方法及装置的一种优选方案,其中:包括上述任意一项所述的一种融合上下文语义的知识图谱链路预测模型方法。
与现有技术相比,本发明的有益效果是:使用GCN和LSTM融合上下文语义信息的知识图谱链路预测模型在MRR和Hits@k(k=1,10)两种评价指标上与前述经典算法模型相比较有一定程度的提升。通过这组基准实验可以发现随着模型在表达知识图谱中丰富语义的能力增强,完成知识图谱链路预测任务的性能越好,使用LSTM和GCN共同捕获知识图谱中实体的上下文语义表示,提升实体的嵌入表示能力,应用至链路预测任务中,模型性能得到提升。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将结合附图和详细实施方式对本发明进行详细说明,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明算法模型框架图;
图2为本发明GCN结构图;
图3为本发明弥补知识图谱中缺失的关系。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施方式的限制。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的实施方式作进一步地详细描述。
实施例1
将三元组数据进行采样得到固定规模的输入关系路径,即实体的特征子图。将这些特征子图一方面输入给特征提取器GCN,用来提取子图谱内的结构信息,另一方面将实体的元信息和属性信息等输入给LSTM神经网络进行提取上下文的语义表示。最后通过关系网络来进行预测任务。
除网络搜索引擎外,现在的短视频、电子商务网站、社交平台和网络论坛等领域,针对用户的历史使用信息和行为状态将其表示为低维稠密饱含丰富语义的向量表示,将该向量表示与已构建好的领域知识图谱相链接,预测链路发生的概率,概率值较大的,意味着事件发生的可能性也越大。基于语义表示的知识图谱链路预测丰富了用户的上网体验,也在实际生活中扮演越来越重要的角色。此问题的研究实际应用意义深受用户喜爱,也提升了各领域软件系统整体的智能化水平,从软件的信息化应用普及推广至应用软件系统的认知层面应用,整体网络的认知水平提升意义深远。
链路预测的实际应用价值不仅仅影响着计算机科学领域的发展,还推动着其他不同领域的进步。在生命科学领域中蛋白质复杂结构及其相互作用网络中研究物质间相互作用,推断反应是否发生等基础研究。在航空交通领域,研究航空网络,使用链路预测研究异常链接,提升航空线路的使用效率,节省大量的资源。链路预测在揭示知识图谱中节点间结构和语义信息演化及演化的因素是一种行之有效的办法。
虽然在上文中已经参考实施方式对本发明进行了描述,然而在不脱离本发明的范围的情况下,可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是,只要不存在结构冲突,本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用,在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此,本发明并不局限于文中公开的特定实施方式,而是包括落入权利要求的范围内的所有技术方案。
Claims (3)
1.一种融合上下文语义的知识图谱链路预测模型方法,其特征在于,包括:
输入采样子图
在输入中每个训练数据都是由n个实体构成的r-子图谱,n指代r-子图谱中的实体个数,根据广度优先搜索这一采样策略可生成一系列的关系序列,即一个r-子图谱即为一条含有n个实体的关系路径,该子图谱可包含三个方面的语义信息:在知识图谱之中的结构信息、子图谱的类型属性元信息和本体信息以及实体和关系所蕴含的上下文自然语义知识信息,其中,特征提取层设计为一个接受m个维数为n×n的邻接矩阵和m个n×f的属性矩阵,这两个矩阵分别表示r-子图谱的结构信息和子图谱的类型属性信息,这里m是指批量尺寸的大小;把m个p×q大小的知识图谱三元组数据输入进长短期记忆网络(LSTM),这里的p指的是知识图谱训练集的实体的个数,q指的是每个实体的初始嵌入维度;
特征提取器层
在特征提取器使用GCN(图卷积神经网络)提取知识图谱中实体节点的隐式特征信息,针对所给定的某一实体节点,特征提取器层的GCN捕获基于此实体对象的知识图谱特征映射,所提出的融合上下文语义信息的知识图谱链路预测模型中在捕获实体对象的隐式特征时,使用的是3个GCN相级联拼接,每个GCN网络的输入有两个部分:实体对象子图的结构信息和实体对象子图元信息、实体属性信息,其中,实体对象子图的结构信息是由实体对象子图的邻接矩阵计算得来的;
给定实体对象子图的邻接矩阵A、元信息和实体属性信息H,GCN将二者表示为与正规化的图Laplaican联系紧密的静态特征矩阵:
这里的A是知识图谱G的邻接矩阵,I是维数与A相同的单位矩阵,表示一个由矩阵每行数值之和计算得到的对角矩阵;计算得到矩阵A(G)后,将该矩阵和实体元信息-属性矩阵H一起作为每个特征提取器GCN的输入;特征提取器用于提取知识图谱的结构和上下文语境特征;
Embedding层
Embedding层目的是将特征提取器层GCN模型输出的D维富含上下文语义信息的实体对象特征表示,其中将D的值设为128,对于不同类型的知识图谱该值有所不同,维数越高所蕴含的语义信息越丰富;
LSTM层
使用LSTM这种门控循环网络对知识图谱的三元组构成的实体-关系路径子图进行序列化表示,将三元组中的实体和关系视为自然语言中的词(term),首先把实体嵌入向量用glove库中的词向量嵌入特征表示进行初始化,初始词向量设置为200,然后将训练集中的初始化后实体向量输入至LSTM模型之中,从LSTM模型输出可得到的富含语义信息的实体嵌入表示,在本模型中这一嵌入维度为128;
GCN
由GCN构成的特征提取器可通过训练集中实体的初始嵌入向量捕获实体间的结构信息,此时每个知识图谱中的实体都有自己的特征表示,经过LSTM模型之后,每个知识图谱中的实体具有了一定的语义信息,将两种实体向量嵌入表示输入至关系预测网络中,关系预测网络可以预测当前实体在LSTM所捕获的语义嵌入向量下,是否还会与已有的其他实体发生链接,从而预测出了当前实体,在当前语境下的尾实体;
输出层
输出的是一个实体嵌入向量所构成的矩阵,表示模型预测的结果;
基准
将上述模型预测得到的结果和标签进行比对,计算损失函数,以此用来优化目标函数,使得模型性能逐步得到提升。
2.根据权利要求1所述的一种融合上下文语义的知识图谱链路预测模型方法,其特征在于:包括如下步骤:
步骤一:首先在训练数据的知识图谱三元组中采样,得到设定尺寸的子图谱作为每个r-ego图的特征图谱,即采集r-特征子图;
步骤二:然后将采样所得的特征子图输入一个批量学习的深度神经网络层中进行模型训练;
步骤三:最后将模型的输出与真实的结果进行计算比较,计算损失数值并最小化负对数似然函数。
3.一种融合上下文语义的知识图谱链路预测装置,其特征在于:包括权利要求1-2任意一项所述的一种融合上下文语义的知识图谱链路预测模型方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110631995.1A CN113535972B (zh) | 2021-06-07 | 2021-06-07 | 一种融合上下文语义的知识图谱链路预测模型方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110631995.1A CN113535972B (zh) | 2021-06-07 | 2021-06-07 | 一种融合上下文语义的知识图谱链路预测模型方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113535972A CN113535972A (zh) | 2021-10-22 |
CN113535972B true CN113535972B (zh) | 2022-08-23 |
Family
ID=78095268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110631995.1A Active CN113535972B (zh) | 2021-06-07 | 2021-06-07 | 一种融合上下文语义的知识图谱链路预测模型方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113535972B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115270802A (zh) * | 2022-09-29 | 2022-11-01 | 中科雨辰科技有限公司 | 一种问题语句的处理方法、电子设备及存储介质 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115312127B (zh) * | 2022-08-05 | 2023-04-18 | 抖音视界有限公司 | 识别模型的预训练方法、识别方法、装置、介质和设备 |
CN115422369B (zh) * | 2022-08-30 | 2023-11-03 | 中国人民解放军国防科技大学 | 基于改进TextRank的知识图谱补全方法和装置 |
CN116186295B (zh) * | 2023-04-28 | 2023-07-18 | 湖南工商大学 | 基于注意力的知识图谱链接预测方法、装置、设备及介质 |
CN116882538B (zh) * | 2023-05-26 | 2024-03-05 | 海南大学 | 一种海洋环境预测模型的训练方法及相关装置 |
CN117520567B (zh) * | 2024-01-03 | 2024-04-02 | 卓世科技(海南)有限公司 | 基于知识图谱的大语言模型训练方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084296A (zh) * | 2019-04-22 | 2019-08-02 | 中山大学 | 一种基于特定语义的图表示学习框架及其多标签分类方法 |
CN112163416A (zh) * | 2020-10-09 | 2021-01-01 | 北京理工大学 | 一种融合句法和实体关系图卷积网络的事件联合抽取方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108563653B (zh) * | 2017-12-21 | 2020-07-31 | 清华大学 | 一种用于知识图谱中知识获取模型的构建方法及系统 |
CN109829057B (zh) * | 2019-01-11 | 2023-02-21 | 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 |
CN109840282A (zh) * | 2019-03-01 | 2019-06-04 | 东北大学 | 一种基于模糊理论的知识图谱优化方法 |
CN111414491A (zh) * | 2020-04-14 | 2020-07-14 | 广州劲源科技发展股份有限公司 | 一种电网行业知识图谱构建方法和装置以及设备 |
CN111639171B (zh) * | 2020-06-08 | 2023-10-27 | 吉林大学 | 一种知识图谱问答方法及装置 |
CN112131404B (zh) * | 2020-09-19 | 2022-09-27 | 哈尔滨工程大学 | 一种四险一金领域知识图谱中实体对齐方法 |
CN112818690B (zh) * | 2021-01-22 | 2022-04-26 | 润联软件系统(深圳)有限公司 | 结合知识图谱实体信息的语义识别方法、装置及相关设备 |
CN112818861B (zh) * | 2021-02-02 | 2022-07-26 | 南京邮电大学 | 一种基于多模态上下文语义特征的情感分类方法及系统 |
-
2021
- 2021-06-07 CN CN202110631995.1A patent/CN113535972B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084296A (zh) * | 2019-04-22 | 2019-08-02 | 中山大学 | 一种基于特定语义的图表示学习框架及其多标签分类方法 |
CN112163416A (zh) * | 2020-10-09 | 2021-01-01 | 北京理工大学 | 一种融合句法和实体关系图卷积网络的事件联合抽取方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115270802A (zh) * | 2022-09-29 | 2022-11-01 | 中科雨辰科技有限公司 | 一种问题语句的处理方法、电子设备及存储介质 |
CN115270802B (zh) * | 2022-09-29 | 2023-01-03 | 中科雨辰科技有限公司 | 一种问题语句的处理方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113535972A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113535972B (zh) | 一种融合上下文语义的知识图谱链路预测模型方法及装置 | |
WO2022068196A1 (zh) | 跨模态的数据处理方法、装置、存储介质以及电子装置 | |
CN111538848B (zh) | 一种融合多源信息的知识表示学习方法 | |
CN106709035B (zh) | 一种电力多维全景数据的预处理系统 | |
CN109033303B (zh) | 一种基于约简锚点的大规模知识图谱融合方法 | |
CN110059181A (zh) | 面向大规模分类体系的短文本标签方法、系统、装置 | |
CN111143553B (zh) | 一种实时文本数据流的特定信息识别方法及系统 | |
CN112257066A (zh) | 面向带权异质图的恶意行为识别方法、系统和存储介质 | |
CN112633478A (zh) | 一种基于本体语义的图卷积网络学习模型的构建 | |
CN112463952B (zh) | 一种基于近邻搜索的新闻文本聚合方法及系统 | |
CN112463981A (zh) | 一种基于深度学习的企业内部经营管理风险识别提取方法及系统 | |
CN114565053A (zh) | 基于特征融合的深层异质图嵌入模型 | |
CN111666468A (zh) | 一种基于团簇属性在社交网络中搜索个性化影响力社区的方法 | |
CN116739081A (zh) | 面向电网风险领域的知识获取和表示方法 | |
CN113268370A (zh) | 一种根因告警分析方法、系统、设备及存储介质 | |
Hu et al. | EGC: A novel event-oriented graph clustering framework for social media text | |
CN115062779A (zh) | 基于动态知识图谱的事件预测方法及装置 | |
Lai et al. | Mgrnn: Structure generation of molecules based on graph recurrent neural networks | |
CN111680205B (zh) | 一种基于事理图谱的事件演化分析方法及装置 | |
CN116680377B (zh) | 基于日志反馈的中文医学术语自适应对齐方法 | |
CN116993043A (zh) | 一种电力设备故障溯源方法及装置 | |
Lv et al. | Rumor detection based on time graph attention network | |
Kong et al. | A neural bag-of-words modelling framework for link prediction in knowledge bases with sparse connectivity | |
CN116306923A (zh) | 一种基于知识图谱的评价权重计算方法 | |
CN115409122A (zh) | 一种变电设备并发故障分析方法、系统、设备及介质 |
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 |