姚思雨^1,2,赵天哲^1,2,王瑞杰^1,2,3,刘均^1,2

¹(西安交通大学计算机科学与技术学院 西安 710049);²(陕西省天地网技术重点实验室(西安交通大学) 西安 710049);³(苏黎世大学计算机科学系 瑞士 8050) (cheryl@stu.xjtu.edu.cn)

出版日期: 2020-12-01


基金资助:国家重点研发计划项目(2018YFB1004500)；国家自然科学基金项目(61672419,61672418,61877050,61937001)；中国工程院咨询研究项目；国家自然科学基金创新研究群体(61721002)；教育部创新团队(IRT_17R86)；中国工程科技知识中心项目

Rule-Guided Joint Embedding Learning of Knowledge Graphs

Yao Siyu^1,2, Zhao Tianzhe^1,2, Wang Ruijie^1,2,3, Liu Jun^1,2

¹(College of Computer Science and Technology, Xi’an Jiaotong University, Xi’an 710049);²(Shaanxi Key Laboratory of STN Technology R&D (Xi’an Jiaotong University), Xi’an 710049);³(Department of Informatics, University of Zurich, Switzerland 8050)

Online: 2020-12-01


Supported by:This work was supported by the National Key Research and Development Program of China (2018YFB1004500), the National Natural Science Foundation of China (61672419, 61672418, 61877050, 61937001), the Consulting Research Project of Chinese Academy of Engineering, the Innovative Research Group Project of the National Natural Science Foundation of China (61721002), the Ministry of Education Innovation Research Team (IRT_17R86), and the Project of China Knowledge Centre for Engineering Science and Technology.

摘要/Abstract

摘要： 近年来，大量研究工作致力于知识图谱的嵌入学习，旨在将知识图谱中的实体与关系映射到低维连续的向量空间中.且所学习到的嵌入表示已被成功用于缓解大规模知识图谱的计算效率低下问题.然而，大多数现有嵌入学习模型仅考虑知识图谱的结构信息.知识图谱中还包含有丰富的上下文信息和文本信息，它们也可被用于学习更准确的嵌入表示.针对这一问题，提出了一种规则引导的知识图谱联合嵌入学习模型，基于图卷积网络，将上下文信息与文本信息融合到实体与关系的嵌入表示中.特别是针对上下文信息的卷积编码，通过计算单条上下文信息的置信度与关联度来度量其重要程度.对于置信度，定义了一个简单有效的规则并依据该规则进行计算.对于关联度，提出了一种基于文本表示的计算方法.最后，在2个基准数据集上进行的实验结果证明了模型的有效性.

参考文献

相关文章 15

[1]	周航, 詹永照, 毛启容. 基于时空融合图网络学习的视频异常事件检测[J]. 计算机研究与发展, 2021, 58(1): 48-59.
[2]	陈可佳, 鲁浩, 张嘉俊. 条件变分时序图自编码器[J]. 计算机研究与发展, 2020, 57(8): 1663-1673.
[3]	陈亦琦, 钱铁云, 李万理, 梁贻乐. 基于复合关系图卷积的属性网络嵌入方法[J]. 计算机研究与发展, 2020, 57(8): 1674-1682.
[4]	曾维新, 赵翔, 唐九阳, 谭真, 王炜. 基于重排序的迭代式实体对齐[J]. 计算机研究与发展, 2020, 57(7): 1460-1471.
[5]	崔员宁, 李静, 沈力, 申扬, 乔林, 薄珏. Duration-HyTE：基于持续时间建模的时间感知知识表示学习方法[J]. 计算机研究与发展, 2020, 57(6): 1239-1251.
[6]	刘昱彤, 吴斌, 白婷. 古诗词图谱的构建及分析研究[J]. 计算机研究与发展, 2020, 57(6): 1252-1268.
[7]	张莹莹, 钱胜胜, 方全, 徐常胜. 基于多模态知识感知注意力机制的问答方法[J]. 计算机研究与发展, 2020, 57(5): 1037-1045.
[8]	董永强, 王鑫, 刘永博, 杨望. 异构YANG模型驱动的网络领域知识图谱构建[J]. 计算机研究与发展, 2020, 57(4): 699-708.
[9]	曾义夫, 牟其林, 周乐, 蓝天, 刘峤. 基于图表示学习的会话感知推荐模型[J]. 计算机研究与发展, 2020, 57(3): 590-603.
[10]	秦涛, 沈壮, 刘欢, 陈周国. 基于排序学习的网络舆情演化趋势评估方法研究[J]. 计算机研究与发展, 2020, 57(12): 2490-2500.
[11]	王萌, 王靖婷, 江胤霖, 漆桂林. 人机混合的知识图谱主动搜索[J]. 计算机研究与发展, 2020, 57(12): 2501-2513.
[12]	左笑晨,窦志成,黄真,卢淑祺,文继荣. 微博热门话题关联商品品类挖掘[J]. 计算机研究与发展, 2019, 56(9): 1927-1938.
[13]	王飞,钱铁云,刘斌,彭智勇. 支持范围查询的低冗余知识图谱管理[J]. 计算机研究与发展, 2019, 56(8): 1758-1771.
[14]	王硕,王建华,汤光明,裴庆祺,张玉臣,刘小虎. 一种智能高效的最优渗透路径生成方法[J]. 计算机研究与发展, 2019, 56(5): 929-941.
[15]	罗晟,苗夺谦,张志飞,张远健,胡声丹. 基于层次信息粒表示的属性图链接预测模型[J]. 计算机研究与发展, 2019, 56(3): 623-634.

PDF全文下载地址:

https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4307