基于图神经网络的知识图谱链接预测研究
这是一篇关于知识图谱,图神经网络,链接预测,图谱嵌入,注意力机制的论文, 主要内容为知识图谱自提出以来,得到了迅速的发展并已在多个领域展现出较高的应用价值,如辅助智能问答、大数据分析、可解释人工智能等方面。然而,当前的知识图谱仍存在一些缺点,其中最突出的问题是不完整性,即知识图谱中存在缺失的实体和关系,这给基于知识图谱的应用系统带来了风险和挑战。在知识图谱的应用中,通常使用链接预测的方式弥补知识图谱的不完整性,但现有链接预测模型存在对实体关系的建模效果较差及对结构信息利用率低的问题。因此,本文采用图神经网络模型弥补知识图谱存在的不完整性,并进一步提升模型精度,以此实现知识图谱补全。具体通过构造了一个关系图注意力网络链接预测模型,建模高质量的关系嵌入信息;并设计图注意力网络结合关系子图的链接预测模型,获取知识图谱本身的结构特征信息,实现对知识图谱的有效补全。本文的主要研究内容分为如下两个方面:1)构建了一个关系图注意力网络链接预测模型。针对图注意力网络在进行实体邻域信息聚合时忽略关系的问题,本文在构建模型中将关系和头实体进行一个有效的连接,使实体信息中包含关系的信息,达到关系对实体的影响并入到模型中,改进了图注意力网络中关系的获取不够的问题,同时选择Trans E、Conv E等经典模型与所提模型在WN18RR、FB15K-237等公开数据集上进行实验对比,实验结果表明所提出模型具有较为显著的性能提升,进而验证模型在链接预测任务中的有效性。2)构建了一个基于图注意力网络的关系子图结构信息链接预测模型。针对知识图谱链接预测模型在执行图谱补全任务时存在某些问题,其中最主要的是在实体和关系之间获取信息的不足、缺乏图谱中的结构信息,本文使用图注意力网络模型获取节点语义信息,通过构造关系子图获取基于关系的结构信息,以此使该模型从知识图谱中获得更多的信息,进一步提升知识图谱链接预测的效率与准确率,改善知识图谱不完整性问题,同时在FB15K-237、WN18RR等公开数据集上进行模型有效性验证,实验结果表明模型在FB15K-237数据集上的实验效果最优,在其他数据集上表现略弱。
基于图神经网络的知识图谱链接预测研究
这是一篇关于知识图谱,图神经网络,链接预测,图谱嵌入,注意力机制的论文, 主要内容为知识图谱自提出以来,得到了迅速的发展并已在多个领域展现出较高的应用价值,如辅助智能问答、大数据分析、可解释人工智能等方面。然而,当前的知识图谱仍存在一些缺点,其中最突出的问题是不完整性,即知识图谱中存在缺失的实体和关系,这给基于知识图谱的应用系统带来了风险和挑战。在知识图谱的应用中,通常使用链接预测的方式弥补知识图谱的不完整性,但现有链接预测模型存在对实体关系的建模效果较差及对结构信息利用率低的问题。因此,本文采用图神经网络模型弥补知识图谱存在的不完整性,并进一步提升模型精度,以此实现知识图谱补全。具体通过构造了一个关系图注意力网络链接预测模型,建模高质量的关系嵌入信息;并设计图注意力网络结合关系子图的链接预测模型,获取知识图谱本身的结构特征信息,实现对知识图谱的有效补全。本文的主要研究内容分为如下两个方面:1)构建了一个关系图注意力网络链接预测模型。针对图注意力网络在进行实体邻域信息聚合时忽略关系的问题,本文在构建模型中将关系和头实体进行一个有效的连接,使实体信息中包含关系的信息,达到关系对实体的影响并入到模型中,改进了图注意力网络中关系的获取不够的问题,同时选择Trans E、Conv E等经典模型与所提模型在WN18RR、FB15K-237等公开数据集上进行实验对比,实验结果表明所提出模型具有较为显著的性能提升,进而验证模型在链接预测任务中的有效性。2)构建了一个基于图注意力网络的关系子图结构信息链接预测模型。针对知识图谱链接预测模型在执行图谱补全任务时存在某些问题,其中最主要的是在实体和关系之间获取信息的不足、缺乏图谱中的结构信息,本文使用图注意力网络模型获取节点语义信息,通过构造关系子图获取基于关系的结构信息,以此使该模型从知识图谱中获得更多的信息,进一步提升知识图谱链接预测的效率与准确率,改善知识图谱不完整性问题,同时在FB15K-237、WN18RR等公开数据集上进行模型有效性验证,实验结果表明模型在FB15K-237数据集上的实验效果最优,在其他数据集上表现略弱。
基于知识图谱的实体间链接预测方法研究
这是一篇关于知识图谱,图谱嵌入,链接预测,注意力机制,语义多样性的论文, 主要内容为知识图谱技术的兴起为业界和学术界提供了一种更好的组织、管理和理解互联网中海量数据的有效方案。目前,知识图谱技术广泛应用于实体搜索、推荐系统、开放域问答等许多AI领域。然而,由于知识图谱的知识不完备,即图谱中存在缺失的实体或链接,导致知识图谱的使用存在巨大的限制,大大限制了知识图谱在用于检索和推理的准确性。补全知识图谱,完成知识图谱链接预测任务的研究成为知识图谱的核心任务之一。本文对知识图谱的链接预测算法进行了全面的调研与介绍,并且对基于翻译的图谱嵌入模型、基于逻辑规则的推理、基于张量的图谱嵌入以及基于深度学习网络的图谱嵌入模型进行了分析。并对当前图谱嵌入模型存在的问题提出了改进算法模型,同时将算法模型应用到链接预测系统中。本文的主要研究内容如下:1)分析了目前主流的基于翻译的图谱嵌入模型在完成知识图谱链接预测任务时存在的问题,并提出了一种多语义实体与关系嵌入模型。在模型假设中,忽略向量的幅度,保留其平行关系,使得实体或关系向量在不同三元组中表现出相同的方向不同的幅度从而解决实体和关系的多语义问题。2)当前主流的图谱嵌入模型忽略了图的结构信息,只考虑了一个三元组内的信息。图注意力网络的提出为提取图的结构特征提供了一种有效的手段,然而,图注意力网络只考虑了实体节点对实体节点的影响,忽略了实体与实体间所连接的关系对节点的影响。据此,提出了一种引入注意力机制的多跳嵌入模型。3)为了完成知识图谱补全任务,本文根据文章提到的算法设计并实现了基于知识图谱嵌入的链接预测系统。通过知识图谱三元组数据集训练模型,对输入的问题三元组进行预测,对命题三元组进行判断。提供了增删知识图谱三元组的系统接口,以便于完善当前知识库,补全知识图谱。
基于知识图谱的电梯故障预测研究
这是一篇关于电梯故障预测,知识图谱,图谱嵌入,图谱补全,长短期记忆网络的论文, 主要内容为随着高楼层建筑的日益增多,电梯已经成为人们生产生活的常用设备,然而,由于电梯的长期且大量使用,一些安全隐患也随之而来,在电梯使用时出现了溜梯、蹲底、困人等危险情况,因此需要对电梯运行状态数据进行监测并对电梯故障进行预测。目前电梯相关监测数据量逐渐增大,数据处理模型也越来越复杂,而传统已有的故障预测方法具有一定的局限性,精确度难以提升。针对电梯运行系统数据重复、数据关系薄弱以及电梯数据更新缓慢等问题,电梯故障预测系统亟需使用新的方法来避免电梯故障信息数据偏差,改善数据存储效率和提取过程,以提高电梯故障预测的性能。本文介绍了国内外电梯发展和安全预警方面的研究背景,以及电梯故障预测技术在国内外的研究现状,调研了相关学者提出的电梯故障预测方法,对比目前各算法的优劣,研判了故障预测在电梯安全方面的迫切性,分析总结电梯故障数据的特点,同时结合知识图谱的结构化语义特性以及在电梯设备安全预警领域可以改善电梯设备的规划、数据追溯和维保管理等方面的特点,对亟待改善的电梯运行系统数据重复、数据关系薄弱、电梯数据更新缓慢等电梯数据和故障预测问题针对性地进行了研究,并搭建了电梯故障预测平台。本文主要的研究内容和贡献如下:1、针对电梯数据关系薄弱、数据重复的问题,本文提出了基于知识图谱结合规则推理和知识图谱嵌入及补全实现电梯故障预测的方法。将电梯故障预测转变为知识图谱嵌入和补全任务,并组合规则推理方法构建电梯故障预测模型,主要对电梯故障的原始数据进行清洗集成,并对传感器采集到的电梯的曳引机振动值、轿厢振动值、湿度、温度、载重量几个主要属性参数进行分析规约以转变为结构化的数据,结合本体层形成知识图谱;在知识图谱构建完成之后,通过翻译模型实现三元组的低维向量表示,最后结合Proj E(Embedding Projection)模型实现知识图谱补全任务,以获得根据参数预测得到的电梯故障可能性排名。2、针对上述方法中较易产生模糊性判断的局限性,提出了采用知识图谱结合长短期记忆网络算法对电梯运行状态数据进行挖掘预测的解决方案。Proj E模型使用排名任务进行故障预测排名的结果粒度比较粗,较易使电梯故障的预测产生模糊性判断,针对上述模型的不足和局限性,以及电梯内部各属性参数联系较复杂的特性,本文将知识图谱结合长短期记忆网络进一步搭建细粒度的电梯故障预测模型。当知识图谱三元组完成低维稠密向量嵌入后,通过长短期记忆网络进行电梯故障预测的训练及测试,期间利用粒子群算法替代传统随机梯度下降过程,粒子通过不断地改变自己的位置以及速度以获取最优参数,将其用于电梯故障的预测。3、根据提出的电梯故障预测算法,本文采用前后端结合的架构搭建了电梯故障预测平台。通过地图、图表等图形化组件,实现电梯故障预测可视化。根据电梯故障预测算法和模型的研究内容,以laravel框架为后端,Vue框架为前端,Mysql为数据库存放普通数据,Neo4j作为图数据库存放知识图谱,通过不同图形化模块联动完成前后端分离模式下的电梯故障预测平台开发,以地图、图表等形式更加直观形象地展现电梯的故障预测情况,实现故障预测算法从实验阶段转为应用阶段,能够为建立电梯安全应急机制及长效维保机制提供帮助和参考。
融合语义交互和语义限制的知识表示学习
这是一篇关于知识图谱,图谱嵌入,表示学习,语义交互,语义限制的论文, 主要内容为知识图谱是由实体和关系组成的有向图,采用三元组的形式结构化存储知识,被广泛应用于语义分析、对话系统和推荐系统等人工智能任务。知识表示学习使用低维稠密的实值向量表示知识图谱中的实体和关系,在低维向量空间中高效计算实体和关系的语义联系。知识表示学习有效缓解数据稀疏性问题,实现多源异质信息的融合,进而提升知识获取、融合和推理的性能,对知识表示学习的研究,具有重大意义。本文聚焦知识表示学习建模语义关联时存在的问题,从语义交互和语义限制两个角度展开研究工作。首先,知识图谱中的实体和关系之间存在复杂的语义交互,大多数知识表示学习模型只建模头实体(尾实体)和关系之间的语义交互,却忽略头实体和尾实体之间的语义交互。其次,知识图谱同一三元组内的实体具有很多相似属性,大多数知识表示学习模型忽略实体潜在语义特征的近似约束。针对上述问题,本文分别提出融合语义交互和融合语义限制的知识表示学习。本文的主要贡献如下:(1)提出一种融合语义交互的知识表示学习模型,建模头实体(尾实体)和关系之间、头实体和尾实体之间的语义交互,同时从前向和后向传递不同的语义。具体来说,该模型使用复杂嵌入表示实体和关系,通过度量经过关系翻译的实体之间的语义相似度,建模前向和后向语义交互。(2)提出一种融合语义限制的知识表示学习模型,通过语义距离限制和特征压缩限制约束实体嵌入向量。该模型利用语义距离限制约束嵌入空间的几何结构,建模三元组内实体之间的潜在关联;通过特征压缩限制,保留实体的积极属性和消极属性,学习紧凑的嵌入表示。在标准的链接预测任务上进行实验评估模型,融合语义交互和融合语义限制的模型取得先进的性能,验证语义交互和语义限制能够提升表示能力。
基于图神经网络的知识图谱链接预测研究
这是一篇关于知识图谱,图神经网络,链接预测,图谱嵌入,注意力机制的论文, 主要内容为知识图谱自提出以来,得到了迅速的发展并已在多个领域展现出较高的应用价值,如辅助智能问答、大数据分析、可解释人工智能等方面。然而,当前的知识图谱仍存在一些缺点,其中最突出的问题是不完整性,即知识图谱中存在缺失的实体和关系,这给基于知识图谱的应用系统带来了风险和挑战。在知识图谱的应用中,通常使用链接预测的方式弥补知识图谱的不完整性,但现有链接预测模型存在对实体关系的建模效果较差及对结构信息利用率低的问题。因此,本文采用图神经网络模型弥补知识图谱存在的不完整性,并进一步提升模型精度,以此实现知识图谱补全。具体通过构造了一个关系图注意力网络链接预测模型,建模高质量的关系嵌入信息;并设计图注意力网络结合关系子图的链接预测模型,获取知识图谱本身的结构特征信息,实现对知识图谱的有效补全。本文的主要研究内容分为如下两个方面:1)构建了一个关系图注意力网络链接预测模型。针对图注意力网络在进行实体邻域信息聚合时忽略关系的问题,本文在构建模型中将关系和头实体进行一个有效的连接,使实体信息中包含关系的信息,达到关系对实体的影响并入到模型中,改进了图注意力网络中关系的获取不够的问题,同时选择Trans E、Conv E等经典模型与所提模型在WN18RR、FB15K-237等公开数据集上进行实验对比,实验结果表明所提出模型具有较为显著的性能提升,进而验证模型在链接预测任务中的有效性。2)构建了一个基于图注意力网络的关系子图结构信息链接预测模型。针对知识图谱链接预测模型在执行图谱补全任务时存在某些问题,其中最主要的是在实体和关系之间获取信息的不足、缺乏图谱中的结构信息,本文使用图注意力网络模型获取节点语义信息,通过构造关系子图获取基于关系的结构信息,以此使该模型从知识图谱中获得更多的信息,进一步提升知识图谱链接预测的效率与准确率,改善知识图谱不完整性问题,同时在FB15K-237、WN18RR等公开数据集上进行模型有效性验证,实验结果表明模型在FB15K-237数据集上的实验效果最优,在其他数据集上表现略弱。
面向旅游场景的多源事理图谱融合技术及应用研究
这是一篇关于时空事理图谱,图谱嵌入,图谱融合,推荐系统的论文, 主要内容为时空信息对于城市计算、旅游规划等各种应用具有重要意义。因此在智慧旅游领域,挖掘游客的时空轨迹数据并进行行为的分析有助于智慧旅游应用的开展。目前常见的游客时空轨迹数据来源众多,如移动设备记录的位置信息和用户生成的内容数据,其在位置和语义精确性上各有优劣。因此融合多种来源的时空轨迹信息,以弥补单一来源的不完备性,可以更好地服务于各种智慧旅游应用。然而由于多源时空数据在其结构、表示形式上的巨大差异,难以使用传统的数据融合方式。因此本文将游客的行为看做旅游事件在时空上的顺承转移,借助事理图谱,即一种描述事件及事件间逻辑关系的知识图谱的扩展,来刻画游客的时空轨迹行为,将不同来源的时空数据构建为时空事理图谱,然后通过图谱融合的方式实现多源知识的融合。融合后的时空事理图谱拥有更精确的语义和时间信息,与传统知识图谱相比,其本身包含的时间顺承关系,对旅游场景下的各类应用具有重要意义。本文将融合后的时空事理图谱作为知识基础,进行了下一个兴趣点(POI,Point of Interest)的推荐算法研究,以解决旅游场景中重要的推荐问题。本文的主要工作和创新点如下:(1)提出了一种借助时空事理图谱来融合多源时空数据的框架。即通过将不同来源的时空数据构建时空事理图谱,借助图谱嵌入和实体对齐的方法来达到知识融合的目的。同时在图谱嵌入部分,提出了一种基于长路径的图谱表示学习算法LPTransE来刻画时空事理图谱的时空特异性,即通过增加衰减因子和迭代学习路径表示的方式,在捕捉图谱中长关系路径的同时学习实体和关系的低维向量表示。(2)基于融合后的多源时空事理图谱,构建个性化推荐算法。在图注意网络的基础上,考虑关系路径的特异性改进了注意力分数的计算,最终聚合图谱中的多跳邻居信息来丰富项目表示。同时应用长短期记忆网络,输入用户历史记录来捕获用户动态的个性偏好。最后在真实旅游场景中完成了推荐系统的设计与实现。
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：源码工厂 ，原文地址：https://m.bishedaima.com/lunwen/47996.html
