典型文献
基于表示学习的多关系型知识图谱推理算法
文献摘要：
目前知识图谱的推理方法中,表示学习尤其是基于翻译的TransE系列算法取得了优异表现.其相关论文大都关注实体推理,然而关系推理作为知识图谱补全的关键技术值得受到关注与研究.与此同时,在规模不断扩大、知识来源更加多样化的知识图谱中,关系种类繁多且类型复杂,单个关系在全体三元组中的出现频率进一步降低,这为关系推理增加了难度.因此针对多关系型知识图谱,基于TransE模型并侧重知识图谱三元组中关系的推理,提出一种新的关系建模方法,通过调整向量空间中实体向量与关系向量间的组织结构,缓解多映射属性关系中不同种类的关系争抢同一向量的问题.然后又与其他方法结合,使新的模型在实体推理上具备可行性.通过在公开的FB15k数据集以及自行从网络中抽取得到的中文数据集上展开的知识推理实验,从关系推理准确率与实体推理准确率等指标与相似方法进行对比,均取得了良好的表现,成功验证了算法的有效性与先进性.
文献关键词：
知识图谱;表示学习;关系推理;实体推理
中图分类号：
作者姓名：
袁培;王儒敬
作者机构：
安徽大学物质科学与信息技术研究院,安徽合肥230601;中国科学院合肥物质科学研究院智能机械研究所智慧农业中心,安徽合肥230031
文献出处：
引用格式：
[1]袁培;王儒敬-.基于表示学习的多关系型知识图谱推理算法)[J].微电子学与计算机,2022(04):75-82
A类：
实体推理
B类：
表示学习,关系型知识,知识图谱推理,理算,前知,推理方法,TransE,关系推理,知识图谱补全,知识来源,三元组,关系建模,向量空间,实体向量,争抢,一向,其他方法,FB15k,中文数据集,知识推理,推理实验,相似方法
AB值：
0.323639
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
