基于相邻和语义亲和力的开放知识图谱表示学习

论文摘要

知识图谱(knowledge graph, KG)打破了不同场景下的数据隔离,为实际应用提供基础支持.表示学习将KG转换到低维向量空间来为KG应用提供便利.然而,KG的表示学习目前存在2个问题:1)假设KG满足闭合世界假设,要求所有实体在训练中可见.实际上,大多数KG都在快速增长,例如DBPedia平均每天产生200个新实体.2)采用矩阵映射、卷积等复杂的语义交互方式提高模型的准确性,这样做也限制了模型的可扩展性.为此,针对允许新实体存在的开放KG,提出一种表示学习方法TransNS.它选取相关的邻居作为实体的属性来推断新实体,并在学习阶段利用实体之间的语义亲和力选择负例三元组来增强语义交互能力.5个传统数据集和8个新数据集对比了TransNS与最经典的表示学习方法,结果表明:TransNS在开放KG上表现良好,甚至在基准闭合KG上优于现有模型.

论文目录

• 1 问题形式化定义
• 2 相关工作
• 3 TransNS方法论
•   3.1 基于语义亲和力的嵌入
•   3.2 集成邻居的解释学习
•   3.3 讨 论
• 4 实验与结果
•   4.1 部署和度量标准
•   4.2 链接预测
•   4.3 三元组分类
•   4.4 基于关系感知的邻居选择案例研究
• 5 总结与未来工作

文章来源

类型: 期刊论文

作者: 杜治娟,杜治蓉,王璐

关键词: 知识图谱,表示学习,开放世界假设,邻居,语义亲和力

来源: 计算机研究与发展 2019年12期

年度: 2019

分类: 信息科技

专业: 计算机软件及计算机应用

单位: 内蒙古大学计算机学院,北方工业大学信息学院,中国科学技术信息研究所

基金: 内蒙古大学高层次人才引进项目(21500-5195118),国家自然科学基金项目(61762082),国家社会科学基金项目(17CTQ029)~~

分类号: TP391.1

页码: 2549-2561

总页数: 13

文件大小: 3735K

下载量: 206