二维码（扫一下试试看！） | | 一种融合实体关联性约束的表示学习方法 | | A Representation Learning Method of Fusing Entity Affinity Constraints | | 投稿时间：2018-01-16 | | DOI：10.15918/j.tbit1001-0645.2018.039 | | 中文关键词:知识图谱表示学习关联性辅助约束 | | English Keywords:knowledge graphrepresentation learningrelevancesupplementary constraints | | 基金项目:国家部委预研项目（31511090201） | | | 摘要点击次数:971 | | 全文下载次数:355 | | 中文摘要: | | 知识图谱的表示学习方法将实体和关系嵌入到低维连续空间中，从而挖掘出实体间的隐含联系.传统的表示学习方法多基于知识图谱的结构化信息，没有充分利用实体的描述文本信息.目前基于文本的表示学习方法多将文本向量化，忽略了文本中实体间的语义关联.针对上述缺点提出一种利用实体描述文本进行增强学习的方法，基于文本挖掘出关联性实体并对关联性进行分级，将关联性作为辅助约束融合到知识图谱的表示学习中.实验结果表明，该辅助约束能明显提升推理效果，优于传统的结构化学习模型以及基于深度学习的文本和结构的联合表示模型. | | English Summary: | | Representation learning on knowledge graph aims to project both entities and relations into a low-dimensional continuous space and dig out the hidden relations between two entities. Traditional method does not make full use of entity's description text and most of representation learning methods based on entity description project text into vector space without considering the relevance of entities in text. In this paper, a knowledge graph representation learning method was proposed, taking the advantage of entity description based on the traditional structure-based representation learning. In this method, the different relevant entities extracted based on entities description and relevant entities were fused as supplementary constraints information to knowledge graph representation learning. Experimental results on real world datasets show that, this method can enhance the inference effectiveness and outperforms structure-based representation learning method, especially outperform deep convolutional neural model which encode semantics of entity descriptions into structure-based representation learning. | | 查看全文查看/发表评论下载PDF阅读器 | |
张钧,张丽君,黄海伟,肖盛元.鲑降钙素有关物质结构HPLCMS/MS鉴定的计算机辅助方法[J].北京理工大学学报（自然科学版）,2020,40(1):111~116.ZHANGJun,ZHANGLi-jun,HUANGHai-wei,XIAOSheng-yuan.Computer-AssistedM ... 北京理工大学科研学术 本站小编 Free考研考试 2021-12-21.北京理工大学学报2020年总目次（第40卷）[J].北京理工大学学报（自然科学版）,2020,40(12):1369~1386..[J].TransactionsofBeijingInstituteofTechnology,2020,40(12):1369-1386.二维码（扫一下试试看！）北京理 ... 北京理工大学科研学术 本站小编 Free考研考试 2021-12-21罗森林,王睿怡,吴倩,潘丽敏,吴舟婷.融合序列语法知识的卷积-自注意力生成式摘要方法[J].北京理工大学学报（自然科学版）,2021,41(1):93~101.LUOSenlin,WANGRuiyi,WUQian,PANLimin,WUZhouting.AConvolution-SelfAttent ... 北京理工大学科研学术 本站小编 Free考研考试 2021-12-21刘琼昕,宋祥,覃明帅.基于知识增强的深度新闻推荐网络[J].北京理工大学学报（自然科学版）,2021,41(3):286~294.LIUQiongxin,SONGXiang,QINMingshuai.DeepKnowledge-EnhancedNetworkforNewsRecommendation ... 北京理工大学科研学术 本站小编 Free考研考试 2021-12-21严迎建,郑震,郭朋飞,朱春生.一种检测S盒能量信息泄漏的t检验方法[J].北京理工大学学报（自然科学版）,2021,41(5):542~547.YANYingjian,ZHENGZhen,GUOPengfei,ZHUChunsheng.At-TestMethodforDetectingPowerIn ... 北京理工大学科研学术 本站小编 Free考研考试 2021-12-21刘琼昕,覃明帅.基于知识表示学习的协同矩阵分解方法[J].北京理工大学学报（自然科学版）,2021,41(7):752~757.LIUQiongxin,QINMingshuai.CollectiveMatrixFactorizationBasedonKnowledgeRepresentationLe ... 北京理工大学科研学术 本站小编 Free考研考试 2021-12-21罗森林,杨俊楠,潘丽敏,吴舟婷.面向信息与通信技术供应链网络画像构建的文本语义匹配方法[J].北京理工大学学报（自然科学版）,2021,41(8):864~872.LUOSenlin,YANGJunnan,PANLimin,WUZhouting.TextSemanticMatchingMethodf ... 北京理工大学科研学术 本站小编 Free考研考试 2021-12-21高原,施云惠,韩妍妍,曾萍,尹宝才.附加法向信息的三维网格预测编码[J].北京理工大学学报（自然科学版）,2019,39(1):88~94.GAOYuan,SHIYun-hui,HANYan-yan,ZENGPing,YINBao-cai.Compressionof3DMeshBasedonNorm ... 北京理工大学科研学术 本站小编 Free考研考试 2021-12-21张冬晓,陈亚洲,程二威,杜宝舟.无人机信息链路电磁干扰效应规律研究[J].北京理工大学学报（自然科学版）,2019,39(7):756~762.ZHANGDong-xiao,CHENYa-zhou,CHENGEr-wei,DUBao-zhou.EffectsofElectromagneticInte ... 北京理工大学科研学术 本站小编 Free考研考试 2021-12-21.北京理工大学学报2019年总目次（第39卷）[J].北京理工大学学报（自然科学版）,2019,39(12):1321~1338..[J].TransactionsofBeijingInstituteofTechnology,2019,39(12):1321-1338.二维码（扫一下试试看！）北京理 ... 北京理工大学科研学术 本站小编 Free考研考试 2021-12-21
| |
