基于知识图谱的个性化推荐算法研究与应用
这是一篇关于知识图谱,知识表示学习,图注意力网络,个性化推荐算法,在线教育的论文, 主要内容为在信息过载的时代,推荐算法帮助用户准确快速地找到自己所需要的信息,但当今的大多数推荐算法是基于用户行为数据和物品内容信息,虽然可以产生有用的推荐,但仍存在数据稀疏、可解释性差和冷启动等问题。推荐算法如何解决上述问题是研究人员目前关注的重点,本课题的主要研究内容如下:(1)为了将领域内积累的有价值信息组织起来,使其成为可以被重复利用的知识,本课题提出了构建在线教育垂直领域知识图谱的方法,从而构建了在线教育垂直领域知识图谱。通过分析领域知识来构建本体库,从数据集中抽取在线教育的相关知识,对本体库进行实例化,并将构建的知识图谱存储到图数据库中。(2)针对知识图谱的表示学习模型难以在大型知识图谱兼顾效率和结果的问题,本课题提出了一种知识图谱的表示学习模型CTrans D。该模型使用聚类算法来对实体进行聚类减少实体投影数量,降低模型的空间复杂度,把实体类之间相似性转换成概率表示,使得实体聚类后同类的实体具有相似的投影向量,通过模型训练更好的协同优化模型,最后设计实验来验证模型的性能。(3)针对现有推荐算法存在数据稀疏、冷启动和难以捕捉不同用户与物品之间关系的偏爱程度等问题,本课题提出了一种融合知识图谱和图注意力网络的推荐模型CTrans D-GAT。利用表示学习模型将知识图谱在低维向量空间中精确映射,在此基础上联合图注意力网络,根据权重系数对节点的信息进行传播和聚合操作,通过评分预测获取推荐结果,最后设计实验来检验模型的性能。(4)为了使推荐模型具有更好的实际应用价值,本课题设计并实现了在线教育个性化推荐系统,将提出的推荐模型应用其中来对课程进行个性化推荐。
基于知识图谱的自动问答技术研究与应用
这是一篇关于知识图谱,智能问答,多任务学习,知识表示学习,深度学习的论文, 主要内容为知识图谱是目前流行的研究方向之一,在学术界和工业界都有广泛应用。本文主要研究基于知识图谱问答(Knowledge Base Question Answering,KBQA)任务。该任务旨在使用知识图谱中的三元组回答用户给出的问题,其主要难点在于知识图谱的大规模性以及问题和答案数据之间的异构性。很多研究从不同角度解决上述难点,但仍然存在以下两点不足。第一,现有方法对于实体链接和关系检测子任务是通过精确匹配来获得候选的,并且直接对其排序忽略了候选中可能存在影响效果的噪声。第二,对于句法结构更加复杂的多跳问题,很多方法将其看做语义匹配任务来解决,但只考虑了关系路径的词级别语义,或者只是简单的对关系名称进行随机初始化,泛化能力依赖于关系的命名规则。针对上述不足,本文开展了相关研究工作,主要研究内容和贡献总结为如下几点:(1)基于指针网络和检索重排的单跳KBQA方法:该方法在实体链接和关系检测子任务中通过检索重排框架来访问知识图谱,使用信息检索方法根据相关性评分生成更高质量的候选,缓解了之前方法对于候选质量考虑不足,忽略其中可能存在影响效果的噪声的问题。并且该方法使用多任务学习对子任务进行联合训练考虑了子任务之间的相关性。最后,在Simple Questions、NLPCCICPOL-2016-KBQA两个数据集上的多个相关实验证明了方法对于整体任务和子任务的效果均有提升作用。(2)基于知识表示学习的多跳KBQA方法:本文提出了一种新的关系路径提取方法用于多跳KBQA任务,可以缓解之前方法的泛化性依赖于关系命名规则的问题。该方法引入了知识表示学习,利用基于旋转的知识嵌入模型Rotat E对知识图谱进行预训练,并把多跳的关系路径嵌入看做从第一个关系到最后一个关系的转换。最后在Meta QA、Web Questions SP两个数据集上的多个相关实验证明了该方法可以有效提升多跳KBQA任务的Hits@1分数。(3)基于知识图谱的计算机百科问答系统:结合目前的教育数字化转型情况,以及对水杉百科的需求进行分析,本文收集了两种来源的计算机热点词汇相关知识,整理融合构建了计算机百科知识图谱。然后,本文将前面章节提出的KBQA方法加以扩展,增加了基于相似度匹配的FAQ问答模块,最终基于Vue和Flask框架实现了一个以智能小杉和用户进行交互的计算机百科问答系统并投入使用,赋予了平台一定的智能化,并对后续的计算教育学领域研究提供了一定的参考价值。本文首先提出了一种基于检索重排框架分两阶段完成知识图谱问答子任务的策略,缓解之前方法忽略候选中可能存在噪声,对于候选质量考虑不足的问题,并且还使用了多任务学习的训练方式考虑任务之间的相关性进一步提升了模型效果。然后重点研究了复杂问题中的多跳链式问题,提出了一种新的基于知识表示学习的多跳关系路径提取方法,缓解了之前方法效果受到关系命名规则限制的问题,实现了更好的多跳问答性能。最后根据实际需求,本文对所提出的方法进行扩展并应用,证明了其实用性,并给计算教育学领域的相关研究提供了参考价值。
基于知识图谱的协同过滤推荐技术研究
这是一篇关于推荐系统,知识图谱,知识表示学习,个性化推荐的论文, 主要内容为随着信息技术的高速发展和互联网规模的日益扩大,产生了海量的数据信息,人们从中获取所需要的信息面临着巨大的挑战。为解决上述难题,个性化推荐技术应运而生,它能够主动向用户推荐其具有潜在兴趣的项目。协同过滤是目前主流的个性化推荐技术之一,已经广泛应用于电子商务、社交媒体等互联网诸多领域,并取得了显著效果。然而,在面临数据稀疏性和冷启动问题时,其推荐性能往往会急剧下降。近年来,知识图谱技术引起了学术界和工业界的广泛关注,已被应用于推荐系统和语义搜索等领域并取得重要突破。由于知识图谱中含有丰富的语义信息,因此通过将其与协同过滤推荐算法相结合,能够有效解决传统协同过滤推荐算法中存在的数据稀疏性和冷启动问题,从而提升推荐系统的性能。然而,现有的基于知识图谱的推荐技术更多地关注知识库中的项目属性信息,并未充分考虑用户属性信息。同时,尚有大量与知识有关的异构信息没有得到有效利用,限制了推荐性能的进一步提升。针对上述问题,本文对面向领域的知识图谱构建技术、多源信息融合的知识表示学习方法、以及知识图谱在个性化推荐中的应用进行了研究,主要工作如下:(1)构建了面向电影领域的知识图谱。首先将外部大规模公共知识图谱中的实体与推荐系统数据集中的项目进行链接,然后将链接到的电影实体与推荐系统中项目信息、用户信息以及用户和项目间的隐式反馈等异构信息进行融合。最后将这些信息统一用知识图谱三元组形式进行结构化表示。(2)建立了电影知识图谱中项目及用户信息的嵌入表示。通过基于翻译模型的知识表示学习方法,将电影知识图谱中的用户、项目以及它们之间的关系嵌入到低维稠密的向量空间进行有效表示。(3)提出了基于知识图谱的协同过滤推荐算法。将知识图谱中丰富的语义知识作为辅助信息融入到协同过滤算法,解决了传统协同过滤推荐算法中的数据稀疏性和冷启动问题。(4)对本文提出的方法与其他几种典型的推荐算法进行实验评估与对比。实验结果表明本文提出的推荐算法在准确率、召回率、F1值和NDCG性能指标上优于其它算法。
基于融合图结构信息知识图谱特征学习的服务交易推荐系统研究
这是一篇关于推荐系统,知识图谱,知识表示学习,深度学习,图神经网络的论文, 主要内容为随着服务交易数据量的不断增大,一个亟待解决的问题是如何从海量的数据中更加快速地挖掘出有价值的信息供服务交易系统使用。时至今日,研究者们已经使用推荐系统来模拟用户的潜在偏好从而为服务交易系统中的用户提供良好的体验,但推荐系统在一些例如数据稀疏和冷启动等场景下仍面临瓶颈。基于知识图谱的推荐技术具有独特的优势,其可以将服务交易数据以更适合的网络结构形式存储起来,帮助服务交易系统精确而高效地挖掘数据中的信息,因此本文试图通过充分学习知识图谱中的高维特征,更进一步增强推荐系统的实用性和可扩展性。本文提出引入融合图结构信息知识图谱特征学习的推荐算法,将图结构特征与推荐任务相结合,可以更好地利用高连通性低结构性知识图谱中丰富的语义信息。根据服务交易领域的数据特征,设计并实现了服务交易推荐任务的知识图谱,并利用融合图结构的知识图谱特征学习方法去挖掘知识图谱中的相关特征。为了应对不同的推荐场景,从深度和广度两方面研究了基于路径图结构和基于波纹图结构的特征提取方法,并将挖掘到的特征有效地应用到推荐系统当中去。基于融合图结构信息知识图谱特征学习的服务交易推荐系统可以为现实生活中的各类服务交易应用提供更优质的用户体验,有助于提升在线服务交易应用整体的经济效率。本文主要研究内容及研究贡献如下:(1)通过分析服务交易推荐系统的交互数据特征,设计了应用于服务交易推荐系统的协同推荐知识图谱(collaborative recommendation knowledge graph,CRKG),并利用真实的服务交易数据完成了CRKG的构建与存储并进行可视化展示。(2)提出基于路径特征学习的KG-PTrans E推荐算法,将知识图谱路径特征引入到推荐系统中,利用深度优先思想来获取知识图谱中实体的长依赖关系序列。本文提出并实现了自动提取路径特征的知识图谱特征学习方法学习实体和关系的含有路径特征的低维向量表示,并与推荐架构相结合。通过在真实服务交易数据集上进行实验,与目前先进的推荐模型进行对比,验证了知识图谱中多跳路径特征的引入可以提高稀疏数据场景下推荐任务的性能。(3)提出基于波纹特征提取的KG-GCN推荐算法,将知识图谱的网络结构特征引入到推荐系统中,利用宽度优先思想来获取知识图谱中实体的K阶连通结构。本文将图卷积神经网络引入到知识图谱中,首先计算不同层级的节点的信息传播,之后递归地进行信息聚合提取到融合波纹特征的实体和关系特征向量,最后将学习到的特征向量嵌入推荐架构中。将模型运行在真实服务交易数据集上并与目前推荐领域内先进的模型进行全面对比,验证了该模型能在稠密数据场景下有效提升推荐性能。
基于知识图谱的自动问答技术研究与应用
这是一篇关于知识图谱,智能问答,多任务学习,知识表示学习,深度学习的论文, 主要内容为知识图谱是目前流行的研究方向之一,在学术界和工业界都有广泛应用。本文主要研究基于知识图谱问答(Knowledge Base Question Answering,KBQA)任务。该任务旨在使用知识图谱中的三元组回答用户给出的问题,其主要难点在于知识图谱的大规模性以及问题和答案数据之间的异构性。很多研究从不同角度解决上述难点,但仍然存在以下两点不足。第一,现有方法对于实体链接和关系检测子任务是通过精确匹配来获得候选的,并且直接对其排序忽略了候选中可能存在影响效果的噪声。第二,对于句法结构更加复杂的多跳问题,很多方法将其看做语义匹配任务来解决,但只考虑了关系路径的词级别语义,或者只是简单的对关系名称进行随机初始化,泛化能力依赖于关系的命名规则。针对上述不足,本文开展了相关研究工作,主要研究内容和贡献总结为如下几点:(1)基于指针网络和检索重排的单跳KBQA方法:该方法在实体链接和关系检测子任务中通过检索重排框架来访问知识图谱,使用信息检索方法根据相关性评分生成更高质量的候选,缓解了之前方法对于候选质量考虑不足,忽略其中可能存在影响效果的噪声的问题。并且该方法使用多任务学习对子任务进行联合训练考虑了子任务之间的相关性。最后,在Simple Questions、NLPCCICPOL-2016-KBQA两个数据集上的多个相关实验证明了方法对于整体任务和子任务的效果均有提升作用。(2)基于知识表示学习的多跳KBQA方法:本文提出了一种新的关系路径提取方法用于多跳KBQA任务,可以缓解之前方法的泛化性依赖于关系命名规则的问题。该方法引入了知识表示学习,利用基于旋转的知识嵌入模型Rotat E对知识图谱进行预训练,并把多跳的关系路径嵌入看做从第一个关系到最后一个关系的转换。最后在Meta QA、Web Questions SP两个数据集上的多个相关实验证明了该方法可以有效提升多跳KBQA任务的Hits@1分数。(3)基于知识图谱的计算机百科问答系统:结合目前的教育数字化转型情况,以及对水杉百科的需求进行分析,本文收集了两种来源的计算机热点词汇相关知识,整理融合构建了计算机百科知识图谱。然后,本文将前面章节提出的KBQA方法加以扩展,增加了基于相似度匹配的FAQ问答模块,最终基于Vue和Flask框架实现了一个以智能小杉和用户进行交互的计算机百科问答系统并投入使用,赋予了平台一定的智能化,并对后续的计算教育学领域研究提供了一定的参考价值。本文首先提出了一种基于检索重排框架分两阶段完成知识图谱问答子任务的策略,缓解之前方法忽略候选中可能存在噪声,对于候选质量考虑不足的问题,并且还使用了多任务学习的训练方式考虑任务之间的相关性进一步提升了模型效果。然后重点研究了复杂问题中的多跳链式问题,提出了一种新的基于知识表示学习的多跳关系路径提取方法,缓解了之前方法效果受到关系命名规则限制的问题,实现了更好的多跳问答性能。最后根据实际需求,本文对所提出的方法进行扩展并应用,证明了其实用性,并给计算教育学领域的相关研究提供了参考价值。
基于关系感知和层注意力传递的知识图谱实体对齐研究
这是一篇关于实体对齐,图卷积网络,关系信息,层注意力,知识表示学习的论文, 主要内容为实体对齐是指在不同的知识图谱中找到具有相同语义的实体,是知识图谱融合的关键步骤。实体对齐任务的一个关键问题是如何区分不同知识图谱的实体是否指向现实世界中的同一个事物。近年来,由于图神经网络具备识别同构子图的能力,已成为实体对齐任务中最常用的网络框架。然而,现有的基于图神经网络的实体对齐方法大多都未充分利用知识图谱中实体间的关系信息,不能较好的表示知识图谱的关系多样性。此外,对所有的邻居实体赋予相同的权重,使得重要邻居实体不能充分利用。为解决上述问题,本文进行了以下研究:(1)针对关系多样性不能充分利用的问题,本文提出基于差分邻接矩阵的关系感知图卷积网络实体对齐方法(-REA:Relation-Aware Graph Convolutional Network Entity Alignment via a Differential Adjacency Matrix,A-REA)。该网络利用差分邻接矩阵区分不同的关系,在学习实体特征表示的过程中聚合邻居实体的特征表示,并将不同的关系信息融入实体的特征表示中。通过知识图谱中实体的特定关系语义和结构信息增强实体表示,以此更好的计算不同知识图谱间的子图相似度。(2)针对重要邻居实体不能充分利用的问题,本文提出基于层注意力传递的图卷积网络实体对齐方法(Layer Attention Transfer-Based Entity Alignment in Graph Convolutional Networks,Lat EA)。该网络为了更有效的利用远跳邻居实体携带的信息,通过层注意力传递保存上一跳实体间的注意力系数,以此计算下一跳邻居实体和中心实体间的注意力系数,并使用一种门控机制自适应的将不同跳的邻居实体表示融入中心实体表示,进而获得更精准的实体表示。最后,本文在公开数据集DBP-15K和DWY-100K(包括三个跨语言子数据集和两个跨知识图谱子数据集)上进行对比实验,验证了本文方法在跨语言和跨知识图谱实体对齐数据集上的有效性,并通过消融实验验证了各模块的有效性。区分实体之间的关系和邻居实体的重要性是实体对齐的有效信号,特别是对于不同知识图谱之间的结构异质性。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码客栈 ，原文地址：https://m.bishedaima.com/lunwen/47836.html
