基于知识图谱的武器推荐方法研究
这是一篇关于知识图谱表示学习,实体信息融合,武器推荐,协同过滤,时间权重的论文, 主要内容为随着现代战争的发展和战法战术的精进,作战任务逐步细化,武器种类日益增长,过量的信息对指挥员发掘潜在的适合作战任务的武器提出了巨大挑战。为了帮助指挥员提高发掘效率,武器推荐系统得到大力发展。然而传统协同过滤算法存在的数据稀疏和时效性问题限制了系统的推荐效果。本文通过在协同过滤算法中引入知识图谱表示学习方法和时间衰减函数来提高系统的推荐性能。围绕基于知识图谱的武器推荐方法研究这一主题,本文重点开展了知识图谱表示学习方法、基于知识图谱的武器推荐算法和武器推荐系统实现等研究。本文的主要研究工作如下:(1)本文首先提出了一种武器领域知识图谱表示学习方法——融合实体信息的Trans R模型。该方法借鉴拉普拉斯特征映射算法的思想,在Trans R模型的基础上将实体属性信息和实体结构信息以相似度的形式融入训练过程中,以缓解基于三元组的训练模式所导致的模型表达能力不佳问题。通过链接预测和三元组分类实验证明了该方法可以有效提升Trans R模型在武器知识图谱上的语义表达能力。(2)然后本文针对传统协同过滤算法存在的数据稀疏和时效性问题,提出一种基于知识图谱和时间权重的协同过滤算法。该方法将知识图谱表示学习方法、时间衰减函数和协同过滤算法进行了结合,通过融入从知识图谱中提取的武器语义信息,多角度刻画了武器相似度,弥补了传统协同过滤算法只考虑武器使用信息的缺陷;通过利用武器使用记录中的时间信息,突出了近期武器使用记录的重要性。经过一系列对比实验,证明了在武器推荐领域该方法比传统协同过滤算法具备更好的推荐精度。(3)最后本文对基于知识图谱和时间权重的协同过滤算法进行了系统的实现,该武器推荐系统将用户选择的作战任务作为输入,然后根据录入的武器使用记录和推荐算法进行预测,最终将潜在的适合当前作战任务的武器展现给指挥员,供指挥员参考。
结合上下文信息的知识图谱表示学习方法
这是一篇关于知识图谱表示学习,翻译模型,神经网络,注意力机制,上下文信息的论文, 主要内容为知识图谱是当今大数据时代至关重要的信息数据库,未来将在零售、供应链、金融等领域持续发挥信息的检索和推理作用。知识图谱虽然已经对知识信息进行了结构化的表示,但在实际生产应用中如何利用这些信息仍然是一个巨大的挑战。而知识图谱表示学习为知识图谱实际应用信息的使用提供了重要的解决途径。知识图谱表示学习技术逐渐成为知识图谱应用到生产领域的关键一环,可以应用于推荐系统、知识问答、自然语言理解等众多领域。大多数现有的知识图谱表示学习方法都将目光集中于知识图谱中现有的三元组内部所蕴含的信息。近年来,许多研究显示,知识图谱中实体之间的上下文信息,诸如实体间隐藏的联系、邻域信息、路径信息等都可以对知识图谱表示学习任务起到十分可观的作用。本文着重对实体间隐藏的联系和邻域信息进行了研究和实验,探讨了它们在知识图谱表示学习的中的影响。对于实体间隐藏的联系,我们提出一种结合注意力机制的知识图谱表示学习翻译模型。我们在添加非线性映射的Trans D的基础上,将实体与其他实体之间使用注意力机制联系起来,进一步增强了模型的效果。此外我们的模型复杂度相对神经网络模型较低,但是依然具有不差于神经网络模型的效果。对于邻域信息,我们提出一种结合邻域信息的表示学习神经网络模型。我们在神经网络模型的基础上,添加了邻域信息通道。我们使用随机游走技术获得实体的邻域实体节点序列,并将其通过卷积神经网络分析特征信息。然后我们将邻域信息通道和原本的三元组信息通道结合起来,生成最终的预测结果,并通过实验证明了邻域信息在知识图谱表示学习中的作用。
基于实体属性信息知识图谱表示学习研究
这是一篇关于知识图谱表示学习,实体属性信息,属性编码器,知识图谱补全,Zero-Shot的论文, 主要内容为目前,知识图谱(Knowledge Graph,KG)作为知识的结构化表示引起了研究人员的极大关注。知识图谱表示学习(Knowledge Graph Representation Learning,KRL)旨在学习一个准确的、富含语义信息的知识表示。目前的KRL方法仅仅考虑了KGs中结构信息和其他语义信息(描述信息、图像信息等),对实体属性信息应用不充分、不全面。此外,属性信息通常是复杂、异构、多样和难以利用的,如何利用实体属性信息提升实体表示的效果是一份具有挑战性的工作。为了解决上述问题并合理地利用属性信息,本文提出一种双重知识图谱表示学习模型Duet Entity Representation Learning Model(DERL),它可以结合实体的结构信息和属性信息共同提升知识表示的整体效果。为了有效地编码实体属性信息,本文在DERL模型中设计了一种属性编码器Entity Attribute Encoder(EAE),它可以合理地编码复杂的属性信息来捕捉实体属性语义信息。EAE中包含两个编码组件:属性类型编码组件和属性值编码组件,分别用来编码实体属性类型信息和实体属性值信息。另外,本文在DERL模型中内嵌了属性注意力机制,用于区分不同属性类型和属性值对实体表示重要性。为了利用实体属性信息解决Zero-Shot问题,本文提出一种表示学习模型Zero-Shot Representation Learning Model(ZSRL),它可以利用实体属性信息学习KGs中新增实体的表示,来解决Zero-Shot场景中两个普遍存在的问题:(1)KGs中新增实体无法直接表示;(2)无法为新增实体学习到一个兼容的、准确的表示。本文为ZSRL模型设计了一种属性编码器Entity Attribute Encoder BiGRU(EAEBG),它可以有效地将新增实体的属性信息编码到实体表示中去。本文为ZSRL模型设计了一种融合评分函数,进一步将基于结构实体表示和基于属性实体表示联合训练,以此来提升实体表示的兼容性,提升ZSRL模型解决Zero-Shot问题的能力。本文在真实数据集DWY100K与FB24K上分别验证了DERL模型和ZSRL模型的有效性,通过与目前比较流行模型实验结果的对比,DERL模型在知识图谱补全任务(Knowledge Graph Completion,KGC)上最高有14.3%的性能提升,ZSRL模型在基于Zero-Shot场景知识图谱补全任务上最高有28.6%的性能提升。实验结果证明了本文提出表示学习模型可以利用实体的属性信息学习一个精确的、富含丰富语义的知识表示,并且可以联合实体的结构信息共同提升KRL的整体效果。这不仅证明了DERL模型和ZSRL模型的科学性和有效性,同时也证明了EAE和EAEBG具有优秀的编码能力。本文首次提出使用属性信息解决Zero-Shot问题,为KRL领域中Zero-Shot问题提供了新的解决思路。
基于层次注意力的知识图谱实体对齐方法研究
这是一篇关于知识图谱表示学习,实体对齐,层次注意力机制,图匹配的论文, 主要内容为近年来,工业界与学术界涌现出各式各样的知识图谱。这些侧重于不同领域、基于不同数据库的知识图谱之间存在着大量的共同实体。为了寻找这些共同实体以实现知识图谱之间的知识融合,实体对齐任务应运而生。知识图谱表示学习的出现为实体对齐提供了新的解决方案。然而,现有的大多数基于知识图谱表示学习的实体对齐方法在利用实体邻域信息建模中心实体时,不但没有考虑邻域信息中关系多语义的影响,而且没有剔除掉对实体对齐无用的邻域信息。此外,这些方法在进行匹配时仅仅使用邻域中的邻居实体信息而忽略了邻域中包含丰富语义的关系信息。实际上,不同知识图谱中对齐实体的邻域往往是异构的,尽管部分实体对之间邻域的邻居实体不尽相同,但描述实体特征的邻居关系却是相似的。这些缺陷都将导致实体对齐的效果欠佳。针对上述问题,本文提出了基于层次注意力的邻域匹配网络(Hierarchical Attentionbased Neighborhood Matching Network,HANM)进行实体对齐。具体而言,HANM首先使用三层注意力机制(即关系级别注意力、关系语义级别注意力以及实体级别注意力)来赋予邻域中不同关系、关系语义和实体不同的权重,以更细粒度地建模中心实体表示。然后,该模型根据三层注意力机制计算得到的实体邻域中的邻居实体和关系得分分别对它们进行采样,以剔除邻域中的噪声信息。其次,HANM分别对两个知识图谱的采样邻居实体子图及关系子图进行交叉图匹配,以充分计算它们的邻域匹配度。最后,该方法结合中心实体自身表示和邻域匹配度来计算两个知识图谱间中心实体对的相似度。本文所提方法能更全面地考虑实体的邻域信息,从而提高实体对齐的精准性。为了验证模型的有效性,本文在真实世界数据集DBP15K的三个跨语言数据集上进行了实验。实验结果表明,相较于其它基准模型,本文提出的基于层次注意力机制的邻域匹配实体对齐方法在MRR和Hits@K指标上均取得更优的效果。
基于信息增强的知识图谱表示学习的方法研究与应用
这是一篇关于知识图谱表示学习,知识图谱补全,图神经网络,图注意力机制的论文, 主要内容为随着人工智能的不断发展,新一代人工智能逐渐被熟知,而认知智能作为其中至关重要的部分,是当前学者专家研究的热点方向。其中,知识工程是认知智能的核心之一,作为知识的载体、认知智能的基石,知识图谱是智能应用的重要数据支持,能实现机器语言认知,能增强机器学习的能力。知识图谱通过图结构的方式描述现实世界中的客观事实,但由于事实量巨大,知识图谱都存在不完整的问题,缺失大量知识,许多隐藏知识未被发现。因此,利用知识图谱补全技术发现隐含事实,补全知识图谱,具有重要意义。知识图谱补全是根据知识图谱中已有的知识去预测新的关系特征,从而推理出隐含的关联信息,预测缺失三元组信息,补全知识图谱。目前,主流的知识图谱补全技术,可归纳为:基于知识表示的方法、基于路径的方法、基于推理的方法,都取得了较好的效果。但现有的方法往往只考虑图卷积网络或一阶节点信息,忽略了图谱本身的图结构信息,同时也没有考虑全局的关系信息。针对以上问题,本文提出了结合知识图谱结构的语义信息和全局的关联信息从而提高知识图谱补全效果的方法。本文的主要工作如下:(1)针对现有图神经网络没有考虑图谱本身图结构信息的问题,提出一种结合多跳信息的图注意力网络,根据两跳关系的方向,在节点嵌入时融合领域节点及关系的图结构信息,得到节点增强嵌入;(2)针对现有图神经网络只考虑领域信息的问题,提出全局三元组信息融合机制,寻找与预测三元组关系相同的其他三元组,聚合全局关系信息,提高知识图谱补全效果;(3)基于上述知识图谱补全模型,设计并实现了一个医疗知识图谱智能问答系统,实现了知识图谱问答、知识图谱补全、节点关系查询功能。本文分析主流知识图谱补全模型的优缺点,基于旧模型的局限性,提出一种基于信息增强的知识图谱补全模型,提高知识图谱补全的效果。根据该模型设计并实现了一个基于医疗知识图谱的智能问答系统,测试了该系统各个功能,每个功能都能准确地实现,为用户提供便利。
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：源码港湾 ，原文地址：https://m.bishedaima.com/lunwen/49238.html
