典型文献
一种融合关系路径与实体描述信息的知识图谱表示学习方法
文献摘要：
知识图谱表示学习旨在通过学习的方法将知识图谱中的实体和关系映射到一个连续的低维向量空间而获得其向量表示.已有的知识图谱表示学习方法大多仅从三元组角度考虑实体间的单步关系,未能有效利用多步关系路径及其实体描述等重要信息,从而影响性能.针对上述问题,提出了一种融合关系路径与实体描述的知识图谱表示学习模型.首先,对知识图谱中的多步关系路径进行联合表示,将路径上的所有关系和实体相加,得到关系路径信息的表示;其次,使用BERT(bidirectional encoder representations from transformers)模型对实体描述信息进行编码,得到相对应的语义表示;最后,对知识图谱中的三元组表示、实体描述的语义表示以及关系路径的表示进行融合训练,得到融合向量表示.在FB15K,WN18,FB15K-237,WN18RR数据集上,对提出的模型和基准模型进行链接预测和三元组分类任务,实验结果表明,与现有的基准模型相比,该模型在2项任务中均具有更高的准确性,证明了方法的有效性和优越性.
文献关键词：
知识图谱;表示学习;知识推理;关系路径;实体描述
中图分类号：
作者姓名：
宁原隆;周刚;卢记仓;杨大伟;张田
作者机构：
战略支援部队信息工程大学 郑州 450001;数学工程与先进计算国家重点实验室(战略支援部队信息工程大学) 郑州 450001
文献出处：
引用格式：
[1]宁原隆;周刚;卢记仓;杨大伟;张田-.一种融合关系路径与实体描述信息的知识图谱表示学习方法)[J].计算机研究与发展,2022(09):1966-1979
A类：
B类：
融合关系,关系路径,实体描述,知识图谱表示学习,表示学习方法,关系映射,射到,低维,向量空间,向量表示,单步,多步,重要信息,影响性,联合表示,相加,BERT,bidirectional,encoder,representations,from,transformers,三元组表示,融合训练,FB15K,WN18RR,链接预测,三元组分类,分类任务,知识推理
AB值：
0.319028
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。
