典型文献
基于位置和注意力联合表示的知识图谱问答
文献摘要：
知识图谱是人工智能的重要组成部分,其以结构化的方式描述客观世界中的概念、实体及关系,提供了一种更优的组织、管理和理解互联网海量信息的能力.随着深度学习技术的发展,基于表示学习的知识图谱问答方法陆续出现.利用表示学习的方法实现知识图谱问答的核心目标是将问题嵌入到与三元组相同维度的表示向量空间中,通过合适的答案预测方法来匹配问题与答案.参考复数域编码的思路,构建一种基于位置和注意力联合表示的三元组表示模型Pos-Att-complexo在三元组表示部分,将词本身的特征和位置特征联合编码,并通过解码器网络进一步挖掘深层次特征,从而对三元组进行打分.在知识图谱问答部分,将问题通过RoBERTa嵌入到与三元组向量相同维度的向量空间中,并与通过关系筛选的关系集合进行向量融合.在此基础上,通过联合表示解码器为候选答案打分,以筛选出问题的答案.实验结果表明,该模型在三元组分类和多跳问答基准数据集上均能取得良好的测试结果,准确率优于GraftNet、VRN等模型.
文献关键词：
表示学习;知识图谱问答;复数域编码;联合表示;向量融合
中图分类号：
作者姓名：
吴天波;周欣;程军军;朱晗;何小海
作者机构：
四川大学电子信息学院,成都610065;中国信息安全测评中心,北京100085
文献出处：
引用格式：
[1]吴天波;周欣;程军军;朱晗;何小海-.基于位置和注意力联合表示的知识图谱问答)[J].计算机工程,2022(08):98-104,112
A类：
复数域编码,complexo,多跳问答,GraftNet,VRN
B类：
联合表示,知识图谱问答,网海,深度学习技术,表示学习,核心目标,向量空间,匹配问题,三元组表示,表示模型,Pos,Att,示部,位置特征,特征联合,合编,解码器,层次特征,打分,RoBERTa,过关,行向量,向量融合,三元组分类,基准数据集,能取
AB值：
0.256103
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。
