WO2022011681A1 - 一种基于迭代补全的知识图谱融合方法 - Google Patents
一种基于迭代补全的知识图谱融合方法 Download PDFInfo
- Publication number
- WO2022011681A1 WO2022011681A1 PCT/CN2020/102683 CN2020102683W WO2022011681A1 WO 2022011681 A1 WO2022011681 A1 WO 2022011681A1 CN 2020102683 W CN2020102683 W CN 2020102683W WO 2022011681 A1 WO2022011681 A1 WO 2022011681A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- entity
- vector
- knowledge graph
- similarity
- entities
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 239000013598 vector Substances 0.000 claims abstract description 124
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 230000008447 perception Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 40
- 238000007500 overflow downdraw method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/044—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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Definitions
- the invention belongs to the technical field of natural language processing, relates to knowledge graph generation and fusion, and in particular relates to a knowledge graph fusion method based on iterative completion.
- a feasible method is to introduce relevant knowledge from other knowledge graphs, because knowledge graphs constructed in different ways have knowledge redundancy and complementarity.
- a general knowledge graph constructed from web pages may only contain the names of scientists, while more information can be found in an academic knowledge graph constructed based on academic data.
- the most important step is to align the different knowledge graphs.
- the entity alignment (EA) task was proposed and received extensive attention. This task aims to find entity pairs expressing the same meaning in different knowledge graphs. These entity pairs serve as a hub to link different knowledge graphs and serve subsequent tasks.
- mainstream entity alignment methods mainly rely on the structural features of knowledge graphs to determine whether two entities point to the same thing. Such methods assume that entities expressing the same meaning in different knowledge graphs have similar adjacency information.
- the entity generation structure vector proposed by Lingbing Guo et al., and then the recognition of entity pairs has achieved certain results (Reference: Lingbing Guo, Zequn Sun, and Wei Hu. 2019. Learning to Exploit Long-term Relational Dependencies in Knowledge Graphs. In Proceedings of the 36th International Conference on Machine Learning,ICML 2019,9-15 June 2019,Long Beach,California,USA.2505–2514), on artificially constructed datasets, this kind of method achieved the best experimental results .
- the knowledge graphs in these artificially constructed datasets are denser than the real-world knowledge graphs, and the entity alignment method based on structural features is much less effective on the knowledge graphs with normal distribution.
- the purpose of the present invention is to propose a knowledge graph fusion method based on iterative completion, which overcomes the deficiencies of the prior art and is used for identifying and aligning the same or similar entities from multiple knowledge graphs, and then Realize the knowledge fusion of multiple knowledge graphs, and improve the coverage and accuracy of knowledge graphs.
- a knowledge graph fusion method based on iterative completion includes the following steps:
- Step 1 obtain multiple knowledge graph data, and identify all entities in the knowledge graph
- Step 2 perform structure vector representation learning on all entities to obtain the structure vector of each entity; perform entity name vector representation learning on all entities to obtain the entity name vector of each entity;
- Step 3 calculates the structural similarity between entities according to the described structure vector, calculates the entity name similarity between the entities according to the described entity name vector;
- Step 4 establish a mutual attention network based on degree perception, and calculate the entity similarity between entities after fusion;
- Step 5 Select high-confidence entity pairs according to the entity similarity, and use iterative training to complete the knowledge map to obtain a fused knowledge map.
- the calculation process of the mutual attention network includes the following steps:
- Step 401 construct feature matrix: construct a feature matrix for each entity, which is represented by the entity name vector of the entity. structure vector and the entity degree vector composition, the entity degree vector is in, is the one-hot vector of the entity degree, is the fully connected parameter matrix, d g is the dimension of the degree vector, and for the entity e 1 , its feature matrix is further expressed as:
- d m max ⁇ d n ,d s ,d g ⁇ , d n represents the dimension of the entity name vector, and d s represents the dimension of the structure vector;
- Step 402 Calculate the mutual attention similarity matrix: a feature matrix that dynamically characterizes the entity e 1 and the feature matrix of entity e 2 The correlation between, constructs a mutual attention similarity matrix Wherein the degree of similarity between an i-th feature e e 1 and j-th 2 wherein:
- Step 403 assign weights, calculate entity similarity: use mutual attention similarity matrix Generate attention vector and first It is sent to the softmax layer, and then sent to the averaging layer to generate the attention vector, where Wherein the degree of characterization related to e 1 e 2 features, and Represents the degree of correlation between the e 2 feature and the e 1 feature. Finally, by multiplying the similarity values of different features with their weights, the fused entity similarity value is obtained:
- the first and second values of respectively represent the weights corresponding to the structural similarity Sim s (e 1 , e 2 ) and the entity name similarity Sim t (e 1 , e 2 ).
- the entity name vector is a power-averaged word vector.
- the word vectors of all words that constitute the entity name are expressed in matrix form as where l represents the number of words, d represents the dimension of the embedding, and Perform the power average operation to generate the power average word vector,
- the power average operation formula is:
- the entity name vector adopts the splicing K-th power average word vector.
- the word vectors of all the words that constitute the entity name are expressed in matrix form as: Among them, l represents the number of words, and d represents the dimension of the embedding.
- the K-th power average word vector is calculated for the word vector of the entity name, and then the K-th power average word vector is spliced to generate the entity name vector. which is:
- the specific values of the K different power averages are respectively 1, negative infinity and positive infinity.
- the structural similarity Sim s (e 1 , e 2 ) is the structural vector of the two entities and The cosine similarity of
- the entity name similarity Sim t (e 1 , e 2 ) is the entity name vector of the two entities and The cosine similarity of .
- the step of selecting a high-confidence entity pair is: for each entity e 1 in the original knowledge graph, it is assumed that the most similar entity in the external knowledge graph is e 2 , and the second similar entity is e' 2 , the similarity difference is For e 2 in the external knowledge graph, the most similar entity in the original knowledge graph is exactly e 1 , the second similar entity is e′ 1 , and the similarity difference is If the similarity difference values ⁇ 1 , ⁇ 2 are both higher than a predetermined value, then (e 1 , e 2 ) is considered to be a high-confidence entity pair;
- the iterative training process for the completion of the knowledge graph is multi-round. For each triple in the external knowledge graph, if the head entity and the tail entity are both in the original knowledge graph, the entity in the external knowledge graph will be replaced. Then use the added knowledge graph to re-learn the structure vector, calculate the entity similarity, and generate a new high-confidence entity pair, continue The knowledge graph is added and completed until the stop condition is met, and the iterative training is stopped.
- the present invention has the following advantages and beneficial effects:
- a degree-aware mutual attention network is proposed to fuse entity name information and structure information, so that the alignment effect is better;
- Fig. 1 is the overall flow schematic diagram of the embodiment of the present invention.
- FIG. 2 is a structural diagram of a mutual attention network according to an embodiment of the present invention.
- FIG. 3 is an overall flow frame diagram of an embodiment of the present invention.
- a knowledge graph fusion method based on iterative completion includes the following steps:
- Step 1 obtain multiple knowledge graph data, and identify all entities in the knowledge graph
- Step 2 perform structure vector representation learning on all entities to obtain the structure vector of each entity; perform entity name vector representation learning on all entities to obtain the entity name vector of each entity;
- Step 3 calculates the structural similarity between entities according to the described structure vector, calculates the entity name similarity between the entities according to the described entity name vector;
- Step 4 establish a mutual attention network based on degree perception, and calculate the entity similarity between entities after fusion;
- Step 5 Select high-confidence entity pairs according to the entity similarity, and use iterative training to complete the knowledge map to obtain a fused knowledge map.
- the learning of the structure vector can use the existing method in the background technology to generate the structure vector, and the structure matrix is expressed as: where n represents the number of entities and d s represents the dimension of the structure vector.
- the entity name vector can be a power-averaged word vector.
- the word vector of all the words constituting the entity name is expressed in matrix form as where l represents the number of words, d represents the dimension of the embedding, and Perform the power average operation to generate the power average word vector,
- the power average operation formula is:
- the entity name vector can be spliced with the K-th power average word vector. After the average word vector is spliced, the entity name vector is generated which is:
- K represents the specific value of K different power averages.
- the specific numerical values of the K different power averages are respectively 1, negative infinity and positive infinity.
- the concatenated power average word vector can capture more information of the entity name and reduce the uncertainty of the vector representation.
- the input of the mutual attention network is the structural similarity Sim s (e 1 , e 2 ) between the two entities, the entity name similarity Sim t (e 1 , e 2 ) and the degree of the entity.
- the calculation process includes the following step:
- Step 401 construct feature matrix: construct a feature matrix for each entity, which is represented by the entity name vector of the entity. structure vector and the entity degree vector composition, the entity degree vector is in, is the one-hot vector of the entity degree, is the fully connected parameter matrix, d g is the dimension of the degree vector, and for the entity e 1 , its feature matrix is further expressed as:
- Step 402 Calculate the mutual attention similarity matrix: a feature matrix that dynamically characterizes the entity e 1 and the feature matrix of entity e 2 The correlation between, constructs a mutual attention similarity matrix Wherein the degree of similarity between an i-th feature e e 1 and j-th 2 wherein:
- Step 403 assign weights, calculate entity similarity: use mutual attention similarity matrix Generate attention vector and first It is sent to the softmax layer, and then sent to the averaging layer to generate the attention vector, where Wherein the degree of characterization related to e 1 e 2 features, and Represents the degree of correlation between the e 2 feature and the e 1 feature. Finally, by multiplying the similarity values of different features with their weights, the fused entity similarity value is obtained:
- the first and second values of respectively represent the weights corresponding to the structural similarity Sim s (e 1 , e 2 ) and the entity name similarity Sim t (e 1 , e 2 ).
- Long-tail entities may have little structural information in the original knowledge graph, but richer structural information in the external knowledge graph. If the structural information in the external knowledge graph can be introduced to supplement the structural information of the long-tail entities in the original knowledge graph, the long-tail problem can be alleviated to a certain extent and the coverage of the knowledge graph can be improved.
- the augmented knowledge graph can generate more accurate structure vectors and improve the effect of entity alignment.
- the step of selecting a high-confidence entity pair is: for each entity e 1 in the original knowledge graph, it is assumed that the most similar entity in the external knowledge graph is e 2 , the second similar entity is e' 2 , and the similarity
- the degree difference is For e 2 in the external knowledge graph, the most similar entity in the original knowledge graph is exactly e 1 , the second similar entity is e′ 1 , and the similarity difference is If the similarity difference values ⁇ 1 , ⁇ 2 are both higher than a predetermined value, then (e 1 , e 2 ) is considered to be a high-confidence entity pair;
- the iterative training process for the completion of the knowledge graph is multi-round. For each triple in the external knowledge graph, if the head entity and the tail entity are both in the original knowledge graph, the entity in the external knowledge graph will be replaced. Then use the added knowledge graph to re-learn the structure vector, calculate the entity similarity, and generate a new high-confidence entity pair, continue The knowledge graph is added and completed until the stop condition is met, and the iterative training is stopped.
- the method of the present invention proposes a new entity alignment framework, as shown in Figure 3, so as to better realize the fusion of knowledge graphs.
- the main technical effects of the present invention are as follows:
- the method of the present invention takes the entity name as a new alignment information.
- the method of the present invention uses the entity name as a separate feature, and represents the entity name by splicing the power average word vector, which can capture more of the entity name. information, and reduce the uncertainty of vector representation; in the alignment stage, it is observed that for entities with different degrees, the importance of structural information and entity name information is also different, a mutual attention network is designed to determine under the guidance of degrees weights of different features, and effectively integrate multi-source information; in the post-alignment processing stage, an iterative training algorithm based on knowledge graph completion is proposed. While supplementing the knowledge graph structure information, it iteratively improves the entity alignment effect, thereby making Long tailed entities are easier to align.
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于迭代补全的知识图谱融合方法，包括以下步骤：获取多个知识图谱数据，识别知识图谱中的所有实体；获得每一个实体的结构向量和实体名向量；计算实体间的结构相似度和实体名相似度；建立基于度感知的互注意力网络，计算融合后实体间的实体相似度；根据所述的实体相似度选择高置信度实体对，并采用迭代训练进行知识图谱补全，获得融合后的知识图谱。本发明方法提出了度感知的互注意力网络以融合实体名向量和结构向量，使得对齐效果更好；提出了使用拼接幂平均词向量表征实体名，能够捕捉实体名的更多信息；提出了一种基于知识图谱补全的迭代训练算法，迭代式地提升实体对齐效果，使得长尾实体更容易对齐。
Description
本发明属于自然语言处理技术领域，涉及知识图谱生成与融合，具体涉及一种基于迭代补全的知识图谱融合方法。
近年来，涌现出一大批知识图谱(knowledge graph,KG)，诸如YAGO，DBpedia，Knowledge Vault等。这些大规模知识图谱在问答系统、个性化推荐等智能服务中起到重要作用。此外，为满足特定领域相关需求，衍生出越来越多的领域知识图谱，如学术知识图谱。但任何一个知识图谱，都无法达到完备或者完全正确。
为提升知识图谱的覆盖率及正确率，一种可行方法是从其它知识图谱中引入相关知识，因为以不同方式构建得到的知识图谱间存在知识的冗余以及互补。例如，从网页上抽取构建的通用知识图谱中可能仅包含科学家的名字，而更多的信息可在基于学术数据构建的学术知识图谱中找到。为将外部知识图谱中的知识整合到目标知识图谱中，最重要的一步是对齐不同的知识图谱。为此，实体对齐(entity alignment,EA)任务被提出并受到广泛关注。该任务旨在找到不同知识图谱中表达同一含义的实体对。而这些实体对则作为链接不同知识图谱的枢纽，服务于后续任务。
目前，主流实体对齐方法主要借助知识图谱结构特征判断两实体是否指向同一事物。这类方法假设不同知识图谱中表达同一含义的实体具有类似的邻接信息。Lingbing Guo等人提出的实体生成结构向量，进而实现实体对的识别取 得了一定的效果(参考文献：Lingbing Guo,Zequn Sun,and Wei Hu.2019.Learning to Exploit Long-term Relational Dependencies in Knowledge Graphs.In Proceedings of the 36th International Conference on Machine Learning,ICML 2019,9-15 June 2019,Long Beach,California,USA.2505–2514)，在人工构建的数据集上，这类方法取得了最好的实验结果。但最近一项工作指出，这些人工构建的数据集中的知识图谱比真实世界的知识图谱更加稠密，而基于结构特征的实体对齐方法在具有正常分布的知识图谱上效果大打折扣。
事实上，通过分析真实世界知识图谱中的实体分布可知，超过半数的实体只与一两个其它实体相连。这些实体被称为长尾实体(long-tail entities)，占据了知识图谱实体的大部分，使得图谱整体呈现较高的稀疏性。这也符合对真实世界知识图谱的认知：只有很少一部分实体被经常使用并具有丰富的邻接信息；绝大部分实体很少被提及，包含微少的结构信息。因此，当前基于结构信息的实体对齐方法和知识图谱融合方法在真实世界数据集上的表现不尽人意。
发明内容
有鉴于此，本发明的目的在于提出一种基于迭代补全的知识图谱融合方法，所述方法克服现有技术的不足，用于从多个知识图谱中进行相同或者相似实体识别和对齐，进而实现多个知识图谱的知识融合，提高知识图谱的覆盖率及正确率。
基于上述目的，一种基于迭代补全的知识图谱融合方法，包括以下步骤：
步骤1，获取多个知识图谱数据，识别知识图谱中的所有实体；
步骤2，对所有实体进行结构向量表示学习，获得每一个实体的结构向量；对所有实体进行实体名向量表示学习，获得每一个实体的实体名向量；
步骤3，根据所述的结构向量计算实体间的结构相似度，根据所述的实体名向量计算实体间的实体名相似度；
步骤4，建立基于度感知的互注意力网络，计算融合后实体间的实体相似度；
步骤5，根据所述的实体相似度选择高置信度实体对，并采用迭代训练进行知识图谱补全，获得融合后的知识图谱。
所述的互注意力网络的计算过程包括以下步骤：
步骤401，构建特征矩阵：为每个实体构建一个特征矩阵，由所述实体的实体名向量
结构向量
以及实体度向量
组成，实体度向量为
其中，
是所述实体度数的one-hot向量，
是全连接参数矩阵，d
g是度向量的维度，对于实体e
1，其特征矩阵进一步表示为：
其中；代表沿着列的拼接，d
m＝max{d
n,d
s,d
g}，d
n表示实体名向量的维度，d
s表示结构向量的维度；
步骤402，计算互注意力相似度矩阵：为动态刻画实体e
1的特征矩阵
和实体e
2的特征矩阵
之间的关联，构建一个互注意力相似度矩阵
其中e
1的第i个特征和e
2的第j个特征之间的相似度为：
其中，
是特征矩阵
第i个行向量，
是特征矩阵
第j个列向量，i＝1,2,3；j＝1,2,3，
是一个用于生成相似度的可训练标量函数，
是参数向量，
代表沿着行的拼接操作，ο代表点乘；
步骤403，分配权重，计算实体相似度：利用互注意力相似度矩阵
生成注意力向量
和
先将
送入softmax层，再送入平均化层，进而生成注 意力向量，其中
表征e
1特征与e
2特征的相关程度，而
代表e
2特征与e
1特征的相关程度，最后，通过将不同特征的相似度值与其权重相乘，得到融合后的实体相似度值：
其中，
和
为注意力向量
的第1个和第2个值，分别代表结构相似度Sim
s(e
1,e
2)和实体名相似度Sim
t(e
1,e
2)所对应的权重。
具体地，所述的实体名向量为幂平均词向量，对于某一实体的实体名s，构成该实体名的所有词的词向量用矩阵形式表示为
其中l代表词的数目，d代表嵌入的维度，对
进行幂平均操作，即可生成的幂平均词向量，
幂平均操作公式为：
更进一步地，所述的实体名向量采用拼接K次幂平均词向量，对于某一实体的实体名s，构成该实体名的所有词的词向量用矩阵形式表示为
其中l代表词的数目，d代表嵌入的维度，先对实体名的词向量计算K次幂平均词向量，然后将这K次幂平均词向量拼接后，生成实体名向量
即：
其中
代表沿着行的拼接操作，而p
1,...,p
K代表K个不同的幂平均的具体数值。
更进一步地，K个不同的幂平均的具体数值分别取1,负无穷和正无穷三个数值。
具体地，所述的结构相似度Sim
s(e
1,e
2)为两个实体的结构向量
和
的 余弦相似度，所述的实体名相似度Sim
t(e
1,e
2)为两个实体的实体名向量
和
的余弦相似度。
具体地，所述选择高置信度实体对的步骤为：对于原有知识图谱中每一个实体e
1，假定其在外部知识图谱中最相似的实体是e
2，第二相似的实体是e′
2，相似度差值为
若对于外部知识图谱中的e
2，其在原有知识图谱中最相似的实体正好是e
1，第二相似的实体是e′
1，并且相似度差值为
若相似度差值Δ
1,Δ
2均高于某一预设值的话，则认为(e
1,e
2)是一个高置信度实体对；
所述知识图谱补全的迭代训练过程是多轮的，对于外部知识图谱中的每一个三元组，如果其头实体和尾实体均在原有知识图谱中，则将外部知识图谱中的实体换成原有知识图谱中对应的实体，并将其添入到原有知识图谱中；接着利用添入后的知识图谱重新学习结构向量、计算实体相似度，生成新的高置信度实体对，继续进行知识图谱添入补全，直到满足停止条件，停止迭代训练。
与现有技术相比，本发明以下优点和有益效果：
(1)提出了度感知的互注意力网络以融合实体名信息和结构信息，使得对齐效果更好；
(2)提出了使用拼接幂平均词向量表征实体名，与平均词向量相比，拼接幂平均词向量更够捕捉实体名的更多信息，并减少向量表示的不确定性；
(3)提出了一种基于知识图谱补全的迭代训练算法，在补充知识图谱结构信息的同时，迭代式地提升实体对齐效果，使得长尾实体更容易对齐。
图1为本发明实施例的整体流程示意图；
图2为本发明实施例的互注意力网络结构图；
图3为本发明实施例的整体流程框架图。
下面结合附图对本发明作进一步的说明，但不以任何方式对本发明加以限制，基于本发明教导所作的任何变换或替换，均属于本发明的保护范围。
如图1所示，一种基于迭代补全的知识图谱融合方法，包括以下步骤：
步骤1，获取多个知识图谱数据，识别知识图谱中的所有实体；
步骤2，对所有实体进行结构向量表示学习，获得每一个实体的结构向量；对所有实体进行实体名向量表示学习，获得每一个实体的实体名向量；
步骤3，根据所述的结构向量计算实体间的结构相似度，根据所述的实体名向量计算实体间的实体名相似度；
步骤4，建立基于度感知的互注意力网络，计算融合后实体间的实体相似度；
步骤5，根据所述的实体相似度选择高置信度实体对，并采用迭代训练进行知识图谱补全，获得融合后的知识图谱。
所述的结构向量的学习可以采用背景技术中已有的方法生成结构向量，结构矩阵表示为
其中n代表实体个数，d
s代表结构向量维度。
给定两个实体e
1和e
2，它们的结构相似度Sim
s(e
1,e
2)为
和
的余弦相似度，其中，
代表e
1的结构向量，
代表e
2的结构向量。
所述的实体名向量可以采用幂平均词向量，对于某一实体的实体名s，构成该实体名的所有词的词向量用矩阵形式表示为
其中l代表词的数目，d代表嵌入的维度，对
进行幂平均操作，即可生成的幂平均 词向量，
幂平均操作公式为：
更进一步地，为了捕捉更多的实体名特征，所述的实体名向量可以采用拼接K次幂平均词向量，先对实体名的词向量计算K次幂平均词向量，然后将这K次幂平均词向量拼接后，生成实体名向量
即：
其中
代表沿着行的拼接操作，而p
1,...,p
K代表K个不同的幂平均的具体数值。本实施例中，K个不同的幂平均的具体数值分别取1,负无穷和正无穷三个数值。
将所有实体的名字向量表示为矩阵
其中d
n＝d×K表示实体名向量的维度。给定两个实体e
1和e
2，它们的实体名相似度Sim
t(e
1,e
2)为实体名向量
和实体名向量
的余弦相似度。
与平均词向量相比，拼接幂平均词向量更够捕捉实体名的更多信息，并减少向量表示的不确定性。
不同的信息从不同的方面刻画实体。因此，需要通过特征融合有效结合多方面信息。对于不同度数的实体，各种信息的重要度是不同的。对于只具有少许结构信息的长尾实体来说，实体名信息更加重要；相反的，对于常出现的实体，结构信息更为重要。为刻画这种动态变化，设计一个度感知的互注意力网络，如图2所示。
所述的互注意力网络的输入为两个实体间的结构相似度Sim
s(e
1,e
2)、实体名相似度Sim
t(e
1,e
2)和实体的度数，计算过程包括以下步骤：
步骤401，构建特征矩阵：为每个实体构建一个特征矩阵，由所述实体的 实体名向量
结构向量
以及实体度向量
组成，实体度向量为
其中，
是所述实体度数的one-hot向量，
是全连接参数矩阵，d
g是度向量的维度，对于实体e
1，其特征矩阵进一步表示为：
其中；代表沿着列的拼接，d
m＝max{d
n,d
s,d
g}；
步骤402，计算互注意力相似度矩阵：为动态刻画实体e
1的特征矩阵
和实体e
2的特征矩阵
之间的关联，构建一个互注意力相似度矩阵
其中e
1的第i个特征和e
2的第j个特征之间的相似度为：
其中，
是特征矩阵
第i个行向量，
是特征矩阵
第j个列向量，i＝1,2,3；j＝1,2,3，
是一个用于生成相似度的可训练标量函数，
是参数向量，
代表沿着行的拼接操作，°代表点乘。
步骤403，分配权重，计算实体相似度：利用互注意力相似度矩阵
生成注意力向量
和
先将
送入softmax层，再送入平均化层，进而生成注意力向量，其中
表征e
1特征与e
2特征的相关程度，而
代表e
2特征与e
1特征的相关程度，最后，通过将不同特征的相似度值与其权重相乘，得到融合后的实体相似度值：
其中，
和
为注意力向量
的第1个和第2个值，分别代表结构相似度Sim
s(e
1,e
2)和实体名相似度Sim
t(e
1,e
2)所对应的权重。
要注意到，Sim(e
1,e
2)≠Sim(e
2,e
1)。该网络通过最大化正负例相似度的差值进行训练。得到实体相似度值后，对于每一个待对齐实体，可选取与其相似度最大的外部知识图谱中的实体作为其的对应实体，实现实体对齐。
长尾实体可能在原有知识图谱中具有很少的结构信息，但在外部知识图谱中具有较为丰富的结构信息。若能将外部知识图谱中的结构信息引入，补充原有知识图谱中长尾实体的结构信息，能够在一定程度上缓解长尾问题，提升知识图谱的覆盖程度。而扩增后的知识图谱则能生成更精准的结构向量，提升实体对齐的效果。
所述选择高置信度实体对的步骤为：对于原有知识图谱中每一个实体e
1，假定其在外部知识图谱中最相似的实体是e
2，第二相似的实体是e′
2，相似度差值为
若对于外部知识图谱中的e
2，其在原有知识图谱中最相似的实体正好是e
1，第二相似的实体是e′
1，并且相似度差值为
若相似度差值Δ
1,Δ
2均高于某一预设值的话，则认为(e
1,e
2)是一个高置信度实体对；
所述知识图谱补全的迭代训练过程是多轮的，对于外部知识图谱中的每一个三元组，如果其头实体和尾实体均在原有知识图谱中，则将外部知识图谱中的实体换成原有知识图谱中对应的实体，并将其添入到原有知识图谱中；接着利用添入后的知识图谱重新学习结构向量、计算实体相似度，生成新的高置信度实体对，继续进行知识图谱添入补全，直到满足停止条件，停止迭代训练。
从发明内容和实施例内容可知，为了解决结构信息不足情况下的实体对齐问题，本发明方法提出新的实体对齐框架，如图3所示，从而较好地实现了知识图谱的融合。本发明主要的技术效果如下：
在预对齐阶段，本发明方法将实体名作为一种新的对齐信息。区别于现有将实体名向量作为初始特征用于学习结构表示的实体对齐工作，本发明方法将实体名作为单独的特征，通过拼接幂平均词向量来表征实体名，能够捕捉实体名的更多信息，并减少向量表示的不确定性；在对齐阶段，观察到对于不同度 数的实体，结构信息和实体名信息的重要度也是不同的，设计了一个互注意力网络，在度数的引导下确定不同特征的权重，并有效融合多源信息；在对齐后处理阶段，提出一种基于知识图谱补全的迭代训练算法，在补充知识图谱结构信息的同时，迭代式地提升实体对齐效果，进而使得长尾实体更容易对齐。
上述实施例为本发明方法用于知识图谱融合的一种实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何背离本发明的精神实质与原理下所做的改变、修饰、代替、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (7)
- 一种基于迭代补全的知识图谱融合方法，其特征在于，包括以下步骤：步骤1，获取多个知识图谱数据，识别知识图谱中的所有实体；步骤2，对所有实体进行结构向量表示学习，获得每一个实体的结构向量；对所有实体进行实体名向量表示学习，获得每一个实体的实体名向量；步骤3，根据所述的结构向量计算实体间的结构相似度，根据所述的实体名向量计算实体间的实体名相似度；步骤4，建立基于度感知的互注意力网络，计算融合后实体间的实体相似度；步骤5，根据所述的实体相似度选择高置信度实体对，并采用迭代训练进行知识图谱补全，获得融合后的知识图谱。
- 根据权利要求1所述的知识图谱融合方法，其特征在于，所述的互注意力网络的计算过程包括以下步骤：步骤401，构建特征矩阵：为每个实体构建一个特征矩阵，由所述实体的实体名向量结构向量
以及实体度向量
组成，实体度向量为
其中，
是所述实体度数的one-hot向量，
是全连接参数矩阵，d g是度向量的维度，对于实体e 1，其特征矩阵进一步表示为：
其中；代表沿着列的拼接，d m＝max{d n,d s,d g}，d n表示实体名向量的维度，d s表示结构向量的维度；步骤402，计算互注意力相似度矩阵：为动态刻画实体e 1的特征矩阵和实体e 2的特征矩阵
之间的关联，构建一个互注意力相似度矩阵
其中实体e 1的第i个特征和实体e 2的第j个特征之间的相似度为：
其中，是特征矩阵
第i个行向量，
是特征矩阵
第j个列向量， i＝1,2,3；j＝1,2,3，
是一个用于生成相似度的可训练标量函数，
是参数向量，
代表沿着行的拼接操作，ο代表点乘；
步骤403，分配权重，计算实体相似度：利用互注意力相似度矩阵生成注意力向量
和
先将
送入softmax层，再送入平均化层，进而生成注意力向量，其中
表征e 1特征与e 2特征的相关程度，而
代表e 2特征与e 1特征的相关程度，最后，通过将不同特征的相似度值与其权重相乘，得到融合后的实体相似度值：
其中，和
为注意力向量
的第1个和第2个值，分别代表结构相似度Sim s(e 1,e 2)和实体名相似度Sim t(e 1,e 2)所对应的权重。
- 根据权利要求1或2所述的知识图谱融合方法，其特征在于，所述的实体名向量为幂平均词向量，对于某一实体的实体名s，构成该实体名的所有词的词向量用矩阵形式表示为其中l代表词的数目，d代表嵌入的维度，对
进行幂平均操作，即可生成的幂平均词向量，
幂平均操作公式为：
表示将
处理后生成的幂平均词向量。
- 根据权利要求1或2所述的知识图谱融合方法，其特征在于，所述的实体名向量采用拼接K次幂平均词向量，对于某一实体的实体名s，构成该实体名的所有词的词向量用矩阵形式表示为其中l代表词的数目，d代表嵌入的维度，先对实体名的词向量计算K次幂平均词向量，然后将这K次幂平均词向量拼接后，生成实体名向量
即：
其中，代表沿着行的拼接操作，而p 1,...,p K代表K个不同的幂平均的具体数值。
- 根据权利要求4所述的知识图谱融合方法，其特征在于，K个不同的幂平均的具体数值分别取1,负无穷和正无穷三个数值。
- 根据权利要求1或5所述的知识图谱融合方法，其特征在于，所述的结构相似度Sim s(e 1,e 2)为两个实体的结构向量和
的余弦相似度，所述的实体名相似度Sim t(e 1,e 2)为两个实体的实体名向量
和
的余弦相似度。
- 根据权利要求1所述的知识图谱融合方法，其特征在于，所述选择高置信度实体对的步骤为：对于原有知识图谱中每一个实体e 1，假定其在外部知识图谱中最相似的实体是e 2，第二相似的实体是e′ 2，相似度差值为若对于外部知识图谱中的e 2，其在原有知识图谱中最相似的实体正好是e 1，第二相似的实体是e′ 1，并且相似度差值为
若相似度差值Δ 1,Δ 2均高于某一预设值的话，则认为(e 1,e 2)是一个高置信度实体对；
所述知识图谱补全的迭代训练过程是多轮的，对于外部知识图谱中的每一个三元组，如果其头实体和尾实体均在原有知识图谱中，则将外部知识图谱中的实体换成原有知识图谱中对应的实体，并将其添入到原有知识图谱中；接着利用添入后的知识图谱重新学习结构向量、计算实体相似度，生成新的高置信度实体对，继续进行知识图谱添入补全，直到满足停止条件，停止迭代训练。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2020/102683 WO2022011681A1 (zh) | 2020-07-17 | 2020-07-17 | 一种基于迭代补全的知识图谱融合方法 |
| US18/097,292 US20230206127A1 (en) | 2020-07-17 | 2023-01-16 | Knowledge graph fusion method based on iterative completion |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2020/102683 WO2022011681A1 (zh) | 2020-07-17 | 2020-07-17 | 一种基于迭代补全的知识图谱融合方法 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| US18/097,292 Continuation US20230206127A1 (en) | 2020-07-17 | 2023-01-16 | Knowledge graph fusion method based on iterative completion |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2022011681A1 true WO2022011681A1 (zh) | 2022-01-20 |
Family
ID=79554468
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2020/102683 WO2022011681A1 (zh) | 2020-07-17 | 2020-07-17 | 一种基于迭代补全的知识图谱融合方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20230206127A1 (zh) |
| WO (1) | WO2022011681A1 (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114417845A (zh) * | 2022-03-30 | 2022-04-29 | 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 |
| CN114626530A (zh) * | 2022-03-14 | 2022-06-14 | 电子科技大学 | 一种基于双边路径质量评估的强化学习知识图谱推理方法 |
| CN114708929A (zh) * | 2022-04-08 | 2022-07-05 | 南京邮电大学 | 药物与药物相互作用预测模型及其训练方法 |
| CN114942998A (zh) * | 2022-04-25 | 2022-08-26 | 西北工业大学 | 融合多源数据的知识图谱邻域结构稀疏的实体对齐方法 |
| CN115203436A (zh) * | 2022-07-15 | 2022-10-18 | 国网江苏省电力有限公司信息通信分公司 | 一种基于有向图数据融合的电力知识图谱构建方法和装置 |
| CN115292504A (zh) * | 2022-09-29 | 2022-11-04 | 北京如炬科技有限公司 | 实体关系分类方法、装置、设备及存储介质 |
| CN115795060A (zh) * | 2023-02-06 | 2023-03-14 | 吉奥时空信息技术股份有限公司 | 一种基于知识增强的实体对齐方法 |
| CN116187446A (zh) * | 2023-05-04 | 2023-05-30 | 中国人民解放军国防科技大学 | 基于自适应注意力机制的知识图谱补全方法、装置和设备 |
| CN116702899A (zh) * | 2023-08-07 | 2023-09-05 | 上海银行股份有限公司 | 一种适用于公私联动场景的实体融合方法 |
| CN117235285A (zh) * | 2023-11-09 | 2023-12-15 | 支付宝(杭州)信息技术有限公司 | 融合知识图谱数据的方法及装置 |
| CN117251583A (zh) * | 2023-11-20 | 2023-12-19 | 湖北大学 | 基于局部图结构的文本增强知识图谱表示学习方法及系统 |
| CN117370583A (zh) * | 2023-12-08 | 2024-01-09 | 湘江实验室 | 一种基于生成对抗网络的知识图谱实体对齐方法及系统 |
| CN117725555A (zh) * | 2024-02-08 | 2024-03-19 | 暗物智能科技(广州)有限公司 | 多源知识树的关联融合方法、装置、电子设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110245299A (zh) * | 2019-06-19 | 2019-09-17 | 中国人民解放军国防科技大学 | 一种基于动态交互注意力机制的序列推荐方法及其系统 |
| CN110489554A (zh) * | 2019-08-15 | 2019-11-22 | 昆明理工大学 | 基于位置感知互注意力网络模型的属性级情感分类方法 |
| CN110851613A (zh) * | 2019-09-09 | 2020-02-28 | 中国电子科技集团公司电子科学研究院 | 基于实体概念的知识图谱补全、推演、存储方法及装置 |
| US20200104311A1 (en) * | 2018-09-27 | 2020-04-02 | Babylon Partners Limited | Method and system for extracting information from graphs |
| CN111291139A (zh) * | 2020-03-17 | 2020-06-16 | 中国科学院自动化研究所 | 基于注意力机制的知识图谱长尾关系补全方法 |
| CN111339313A (zh) * | 2020-02-18 | 2020-06-26 | 北京航空航天大学 | 一种基于多模态融合的知识库构建方法 |
-
2020
- 2020-07-17 WO PCT/CN2020/102683 patent/WO2022011681A1/zh active Application Filing
-
2023
- 2023-01-16 US US18/097,292 patent/US20230206127A1/en active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200104311A1 (en) * | 2018-09-27 | 2020-04-02 | Babylon Partners Limited | Method and system for extracting information from graphs |
| CN110245299A (zh) * | 2019-06-19 | 2019-09-17 | 中国人民解放军国防科技大学 | 一种基于动态交互注意力机制的序列推荐方法及其系统 |
| CN110489554A (zh) * | 2019-08-15 | 2019-11-22 | 昆明理工大学 | 基于位置感知互注意力网络模型的属性级情感分类方法 |
| CN110851613A (zh) * | 2019-09-09 | 2020-02-28 | 中国电子科技集团公司电子科学研究院 | 基于实体概念的知识图谱补全、推演、存储方法及装置 |
| CN111339313A (zh) * | 2020-02-18 | 2020-06-26 | 北京航空航天大学 | 一种基于多模态融合的知识库构建方法 |
| CN111291139A (zh) * | 2020-03-17 | 2020-06-16 | 中国科学院自动化研究所 | 基于注意力机制的知识图谱长尾关系补全方法 |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114626530A (zh) * | 2022-03-14 | 2022-06-14 | 电子科技大学 | 一种基于双边路径质量评估的强化学习知识图谱推理方法 |
| CN114417845A (zh) * | 2022-03-30 | 2022-04-29 | 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 |
| CN114708929A (zh) * | 2022-04-08 | 2022-07-05 | 南京邮电大学 | 药物与药物相互作用预测模型及其训练方法 |
| CN114708929B (zh) * | 2022-04-08 | 2024-03-08 | 南京邮电大学 | 药物与药物相互作用预测模型及其训练方法 |
| CN114942998A (zh) * | 2022-04-25 | 2022-08-26 | 西北工业大学 | 融合多源数据的知识图谱邻域结构稀疏的实体对齐方法 |
| CN114942998B (zh) * | 2022-04-25 | 2024-02-13 | 西北工业大学 | 融合多源数据的知识图谱邻域结构稀疏的实体对齐方法 |
| CN115203436B (zh) * | 2022-07-15 | 2023-12-15 | 国网江苏省电力有限公司信息通信分公司 | 一种基于有向图数据融合的电力知识图谱构建方法和装置 |
| CN115203436A (zh) * | 2022-07-15 | 2022-10-18 | 国网江苏省电力有限公司信息通信分公司 | 一种基于有向图数据融合的电力知识图谱构建方法和装置 |
| CN115292504A (zh) * | 2022-09-29 | 2022-11-04 | 北京如炬科技有限公司 | 实体关系分类方法、装置、设备及存储介质 |
| CN115795060A (zh) * | 2023-02-06 | 2023-03-14 | 吉奥时空信息技术股份有限公司 | 一种基于知识增强的实体对齐方法 |
| CN116187446A (zh) * | 2023-05-04 | 2023-05-30 | 中国人民解放军国防科技大学 | 基于自适应注意力机制的知识图谱补全方法、装置和设备 |
| CN116187446B (zh) * | 2023-05-04 | 2023-07-04 | 中国人民解放军国防科技大学 | 基于自适应注意力机制的知识图谱补全方法、装置和设备 |
| CN116702899B (zh) * | 2023-08-07 | 2023-11-28 | 上海银行股份有限公司 | 一种适用于公私联动场景的实体融合方法 |
| CN116702899A (zh) * | 2023-08-07 | 2023-09-05 | 上海银行股份有限公司 | 一种适用于公私联动场景的实体融合方法 |
| CN117235285B (zh) * | 2023-11-09 | 2024-02-02 | 支付宝(杭州)信息技术有限公司 | 融合知识图谱数据的方法及装置 |
| CN117235285A (zh) * | 2023-11-09 | 2023-12-15 | 支付宝(杭州)信息技术有限公司 | 融合知识图谱数据的方法及装置 |
| CN117251583A (zh) * | 2023-11-20 | 2023-12-19 | 湖北大学 | 基于局部图结构的文本增强知识图谱表示学习方法及系统 |
| CN117251583B (zh) * | 2023-11-20 | 2024-01-26 | 湖北大学 | 基于局部图结构的文本增强知识图谱表示学习方法及系统 |
| CN117370583A (zh) * | 2023-12-08 | 2024-01-09 | 湘江实验室 | 一种基于生成对抗网络的知识图谱实体对齐方法及系统 |
| CN117370583B (zh) * | 2023-12-08 | 2024-03-19 | 湘江实验室 | 一种基于生成对抗网络的知识图谱实体对齐方法及系统 |
| CN117725555A (zh) * | 2024-02-08 | 2024-03-19 | 暗物智能科技(广州)有限公司 | 多源知识树的关联融合方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230206127A1 (en) | 2023-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022011681A1 (zh) | 一种基于迭代补全的知识图谱融合方法 | |
| CN108399428B (zh) | 一种基于迹比准则的三元组损失函数设计方法 | |
| CN110021051A (zh) | 一种基于生成对抗网络通过文本指导的人物图像生成方法 | |
| CN110110642A (zh) | 一种基于多通道注意力特征的行人重识别方法 | |
| CN111797703A (zh) | 基于鲁棒深度语义分割网络的多源遥感影像分类方法 | |
| CN109255002B (zh) | 一种利用关系路径挖掘解决知识图谱对齐任务的方法 | |
| CN105550649A (zh) | 基于全耦合局部约束表示的极低分辨率人脸识别方法及系统 | |
| CN114090783A (zh) | 一种异构知识图谱融合方法及系统 | |
| CN110347857A (zh) | 基于强化学习的遥感影像的语义标注方法 | |
| 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 | |
| CN107885787A (zh) | 基于谱嵌入的多视角特征融合的图像检索方法 | |
| CN111027700A (zh) | 基于wcur算法的知识库补全方法 | |
| CN109145763A (zh) | 基于自然语言描述的视频监控行人搜索图像文本融合方法 | |
| CN112464816A (zh) | 基于二次迁移学习的地方手语识别方法、装置 | |
| Zhang et al. | An open set domain adaptation algorithm via exploring transferability and discriminability for remote sensing image scene classification | |
| CN116258990A (zh) | 一种基于跨模态亲和力的小样本参考视频目标分割方法 | |
| Wang et al. | Graph meta transfer network for heterogeneous few-shot hyperspectral image classification | |
| CN114519107A (zh) | 一种联合实体关系表示的知识图谱融合方法 | |
| Li et al. | Msvit: training multiscale vision transformers for image retrieval | |
| CN113807214A (zh) | 基于deit附属网络知识蒸馏的小目标人脸识别方法 | |
| CN117350330A (zh) | 基于混合教学的半监督实体对齐方法 | |
| CN116862080A (zh) | 一种基于双视角对比学习的碳排放预测方法及系统 | |
| Guo et al. | TLRM: Task-level relation module for GNN-based few-shot learning | |
| CN113160291B (zh) | 一种基于图像配准的变化检测方法 | |
| Liu et al. | Data assimilation network for generalizable person re-identification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 20945094 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 20945094 Country of ref document: EP Kind code of ref document: A1 |
|
| 32PN | Ep: public notification in the ep bulletin as address of the adressee cannot be established |
Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 060723) |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 20945094 Country of ref document: EP Kind code of ref document: A1 |