基于卷积神经网络的知识图谱补全研究

来源 :桂林电子科技大学 | 被引量 : 0次 | 上传用户:zxhouxingzx
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
知识图谱补全是通过预测实体之间的隐藏关系来获取新的知识,从而使知识图谱更加完善。目前将知识图谱中的实体和关系嵌入到连续低维向量空间中成为知识图谱补全的一种有效方法,应用卷积神经网络的ConvE等模型和应用图卷积神经网络的KBAT等模型在知识图谱嵌入中取得了较好的性能。但是,KBAT等模型不能对实体间的双向语义关系进行建模,并且无法获取丰富的多跳邻居特征,ConvE等模型难以获取三元组的深层特征。针对以上问题,本文通过对图卷积神经网络和卷积神经网络进行改进,给出了多跳双向注意力模型MBGAT和基于残差卷积神经网络模型Res DE,提高了知识图谱补全的准确率。本文主要研究内容如下:(1)分析了目前主要的三类知识图谱补全方法,包括基于张量分解的知识图谱补全方法,基于翻译模型的知识图谱补全方法,基于深度学习的知识图谱补全方法。比较了他们的优缺点,并分析了其中存在的问题。(2)针对KBAT等模型存在的问题,给出一种基于编码器-解码器结构的多跳双向注意力模型MBGAT。该模型能够学习到实体更大邻域内的信息,并且获取到实体间的双向语义关系,提升了实体聚合邻域信息的丰富度,提高实体和关系的嵌入质量。在WN18RR,FB15k-237和NELL-995公开数据集上进行实验,结果表明MBGAT模型相较于基准模型在各个指标上性能均有较大提升,提高了知识图谱补全的准确率。(3)针对ConvE等模型仅在浅层卷积神经网络进行三元组操作的问题,给出一种基于残差卷积神经网络的补全模型Res DE。该模型能够利用深层卷积神经网络来提取三元组的深层次特征,同时减少了随着网络层次加深产生的信息丢失的问题和梯度消失的问题。在WN18RR和FB15k-237公开数据集上对Res DE进行独立实验,以及将Res DE作为MBGAT模型的解码器进行实验,结果表明Res DE作为独立结构和作为MBGAT模型的解码器各项指标均优于基准模型。
其他文献
近年来,无人驾驶、室内外无缝导航定位和AR/VR等技术不断发展,同步定位与建图(Simultaneous Localization and Mapping,SLAM)作为一项核心技术被国内外学者广泛研究与关注,该技术是利用各种传感器采集外界信息实现自主定位和实时建图。视觉SLAM已经成为一项比较成熟的技术,但其受光照强度的影响比较大,不能在弱纹理、特征点缺失以及动态环境下维持良好的鲁棒性。单一惯性
随着生活品质的提高,桂北地区传统民居热环境的缺陷逐渐显露,居住需求和民居热环境质量矛盾日益激化;进而出现照搬照抄城市建筑模式现象,传统民居的外观体现和内部结构脱离了传统建筑文化的本意。为同时兼顾桂北传统民居室内热环境品质提升和保护并传承传统建筑文化,本文选取桂北地区典型的砖木地居式民居和半干栏式民居为研究对象。通过环境实测掌握民居热环境状况,分析影响热环境的因素,并提出针对性改造方案;借助Desi
学位
学位
学位
学位
对基于深度学习的知识图谱关系预测方法进行研究能够对节点间关系的推理与隐含信息挖掘产生较大现实应用价值。其可用于犯罪预测、推荐系统、自然语言推理等系统及方法中。本文对基于知识图谱的关系预测方法进行研究,并将其应用于推荐系统中以提升准确率。本文主要解决由于图谱信息挖掘不充分而导致的推荐不准确问题。首先,为了更好地利用并挖掘图谱信息,得到更加准确的图谱关系表述,本文提出了一种基于RNN网络和Rotat
作为教育数据挖掘的重要研究分支之一,学生成绩预测研究得到了广泛的关注,国内外学者相继开展了一些卓有成效的工作。虽然传统的成绩预测方法取得了不错的效果,但这些方法仍存在一些不足,主要有两个方面:一是在传统课堂成绩预测问题中,预测存在一定的滞后性,而且数据也存在数据稀疏和特征单一等问题,以至于无法为课程初期的教学和管理工作提供有效的技术支撑。二是现有的在线平台课程成绩预测研究主要利用学习者在平台学习的
本文主要开展垂直型GaN电流孔径晶体管(Current Aperture Vertical Electron Transistor,CAVET)的相关研究,相较于横向型GaN HEMT(Lateral GaN High Electron Mobility Transistor)器件,CAVET器件在降低封测难度、减小芯片面积、获得高击穿电场、抑制电流崩塌效应等方面具有明显优势,本文从以下三方面开展
学位