基于知识图谱增强异构网络表示学习的推荐方法研究
这是一篇关于异构网络,知识图谱,图注意力,推荐系统的论文, 主要内容为随着人工智能的不断发展以及互联网数据的指数级增长,导致人们经常面临一个信息过载问题。用户常常难以从海量数据中快速获取想要的信息,这使得智能、有效的推荐方法及推荐系统变得越来越重要。其中,基于知识图谱的推荐方法因其引入了用户及物品内含的丰富的语义关系,可以有效缓解推荐系统面临的数据稀疏及冷启动问题,极大地提高了推荐模型的效果,受到了众多学者的关注。知识图谱的引入虽然极大的增强了我们可以学习的内容,但现有模型都在研究如何有效的将知识图谱融合到用户交互图中,没有考虑直接融合后的知识图谱由于额外信息的引入造成的图污染问题。这种污染可能导致学习到的节点表示既不具有推荐任务属性,也不具有知识图谱属性。另外,由于图的不可区分,已有模型都没有区分推荐任务和知识图谱表示学习任务,通过一种方法同时学习两种任务特征。基于以上问题,本文的主要工作如下:(1)提出了一种新的推荐任务相关的知识图谱融合方式,以缓解信息不一致造成的融合后的图污染问题。具体地,本文根据知识图谱和用户-项目交互图的特点,构造了一个异构协作知识图谱,该异构协作知识图谱保留了知识图谱原有的异构网络边信息,同时又加入了新的用户交互类型信息,并通过实体匹配链接将项目连接到知识图谱内,最终拼成一个只关注推荐任务语义关系的异构协作知识图谱。另外,基于该异构协作知识图谱,可以便捷地利用异构网络表示学习方法完成推荐任务,避免了在大规模知识图谱上学习实体语义而带来的计算负担。(2)在异构协作知识图谱的基础上,本文设计了一个能区分推荐任务和知识图谱表示学习任务的异构图注意力网络。该网络通过在异构图上使用不同的图神经网络学习方式,即保留了知识图谱的实体关系性质,又考虑到了推荐任务的特殊性。并且,在推荐预测模块,本文设计了一个能考虑用户-项目交互的新注意力传播方法,借此将用户和项目的交互信息也编码到节点表示中去。最后,本文在亚马逊图书数据基准集上验证了所提出方法的有效性。
基于图注意力网络的链接预测方法研究
这是一篇关于知识图谱,链接预测,图注意力,负采样的论文, 主要内容为知识图谱以强大的知识表达能力广泛地应用于信息检索、自然语言理解、推荐系统等领域。但知识图谱的不完整性会带来搜索结果不全面、准确性不足以及应用领域受限等问题使得链接预测成为知识图谱扩充和完善的重要方法。在最近研究中,基于图注意力网络模型由于具备较好的局部与全局信息的捕获能力,在链接预测上取得不错的效果,但仍存在初始化阶段实体和关系缺失语义信息、解码阶段忽略三元组的结构特征和负样本集中混入低质量负样本的问题。本文针对上述问题进行研究,主要工作如下:(1)针对初始化阶段实体和关系缺失语义信息的问题,提出了一种使用预训练语言模型编码实体和关系描述信息的方法,该方法保证初始化阶段实体和关系嵌入表示的唯一性,并从实体和关系的描述信息中提取出语义信息,丰富实体和关系初始化阶段的嵌入表示;针对解码阶段忽略三元组结构特征的问题,提出一种基于CNN的解码器,把三元组的嵌入表示拼接成矩阵,再对其进行卷积和池化,保留了三元组的结构特征和重要的嵌入信息。在编码阶段,提出一种基于多头注意力机制的编码器,通过聚合带有权重的邻接实体和关系的嵌入表示,使得目标节点获得更多重要信息。(2)针对负样本集中混入低质量负样本的问题,提出两种负采样优化方法来解决混入低质量负样本的问题。一种是使用基于对抗学习的负采样优化方法,通过判别器和生成器获取高质量的负样本集;另一种是基于缓存的负采样优化方法,设计了一种可以从简单样本到复杂样本学习的缓存机制,并对缓存进行采样和更新,就能从缓存中获取到高质量的负样本集合。(3)知识图谱链接预测系统的设计与实现。通过对链接预测方法的研究,设计开发了知识图谱链接预测系统,并在汉语框架网CFN(Chinese Frame Net)数据集上进行验证。在实现数据导入、导出、可视化、节点和关系增删查改等基本功能基础上,将链接预测方法应用在CFN框架关系预测任务上,实现了对潜在的框架关系的发现。该系统的实现,有利于对CFN数据集的管理及维护,并为CFN知识库的完善提供技术支撑。
基于图注意力网络的链接预测方法研究
这是一篇关于知识图谱,链接预测,图注意力,负采样的论文, 主要内容为知识图谱以强大的知识表达能力广泛地应用于信息检索、自然语言理解、推荐系统等领域。但知识图谱的不完整性会带来搜索结果不全面、准确性不足以及应用领域受限等问题使得链接预测成为知识图谱扩充和完善的重要方法。在最近研究中,基于图注意力网络模型由于具备较好的局部与全局信息的捕获能力,在链接预测上取得不错的效果,但仍存在初始化阶段实体和关系缺失语义信息、解码阶段忽略三元组的结构特征和负样本集中混入低质量负样本的问题。本文针对上述问题进行研究,主要工作如下:(1)针对初始化阶段实体和关系缺失语义信息的问题,提出了一种使用预训练语言模型编码实体和关系描述信息的方法,该方法保证初始化阶段实体和关系嵌入表示的唯一性,并从实体和关系的描述信息中提取出语义信息,丰富实体和关系初始化阶段的嵌入表示;针对解码阶段忽略三元组结构特征的问题,提出一种基于CNN的解码器,把三元组的嵌入表示拼接成矩阵,再对其进行卷积和池化,保留了三元组的结构特征和重要的嵌入信息。在编码阶段,提出一种基于多头注意力机制的编码器,通过聚合带有权重的邻接实体和关系的嵌入表示,使得目标节点获得更多重要信息。(2)针对负样本集中混入低质量负样本的问题,提出两种负采样优化方法来解决混入低质量负样本的问题。一种是使用基于对抗学习的负采样优化方法,通过判别器和生成器获取高质量的负样本集;另一种是基于缓存的负采样优化方法,设计了一种可以从简单样本到复杂样本学习的缓存机制,并对缓存进行采样和更新,就能从缓存中获取到高质量的负样本集合。(3)知识图谱链接预测系统的设计与实现。通过对链接预测方法的研究,设计开发了知识图谱链接预测系统,并在汉语框架网CFN(Chinese Frame Net)数据集上进行验证。在实现数据导入、导出、可视化、节点和关系增删查改等基本功能基础上,将链接预测方法应用在CFN框架关系预测任务上,实现了对潜在的框架关系的发现。该系统的实现,有利于对CFN数据集的管理及维护,并为CFN知识库的完善提供技术支撑。
基于图注意力网络的链接预测方法研究
这是一篇关于知识图谱,链接预测,图注意力,负采样的论文, 主要内容为知识图谱以强大的知识表达能力广泛地应用于信息检索、自然语言理解、推荐系统等领域。但知识图谱的不完整性会带来搜索结果不全面、准确性不足以及应用领域受限等问题使得链接预测成为知识图谱扩充和完善的重要方法。在最近研究中,基于图注意力网络模型由于具备较好的局部与全局信息的捕获能力,在链接预测上取得不错的效果,但仍存在初始化阶段实体和关系缺失语义信息、解码阶段忽略三元组的结构特征和负样本集中混入低质量负样本的问题。本文针对上述问题进行研究,主要工作如下:(1)针对初始化阶段实体和关系缺失语义信息的问题,提出了一种使用预训练语言模型编码实体和关系描述信息的方法,该方法保证初始化阶段实体和关系嵌入表示的唯一性,并从实体和关系的描述信息中提取出语义信息,丰富实体和关系初始化阶段的嵌入表示;针对解码阶段忽略三元组结构特征的问题,提出一种基于CNN的解码器,把三元组的嵌入表示拼接成矩阵,再对其进行卷积和池化,保留了三元组的结构特征和重要的嵌入信息。在编码阶段,提出一种基于多头注意力机制的编码器,通过聚合带有权重的邻接实体和关系的嵌入表示,使得目标节点获得更多重要信息。(2)针对负样本集中混入低质量负样本的问题,提出两种负采样优化方法来解决混入低质量负样本的问题。一种是使用基于对抗学习的负采样优化方法,通过判别器和生成器获取高质量的负样本集;另一种是基于缓存的负采样优化方法,设计了一种可以从简单样本到复杂样本学习的缓存机制,并对缓存进行采样和更新,就能从缓存中获取到高质量的负样本集合。(3)知识图谱链接预测系统的设计与实现。通过对链接预测方法的研究,设计开发了知识图谱链接预测系统,并在汉语框架网CFN(Chinese Frame Net)数据集上进行验证。在实现数据导入、导出、可视化、节点和关系增删查改等基本功能基础上,将链接预测方法应用在CFN框架关系预测任务上,实现了对潜在的框架关系的发现。该系统的实现,有利于对CFN数据集的管理及维护,并为CFN知识库的完善提供技术支撑。
基于图注意力网络的链接预测方法研究
这是一篇关于知识图谱,链接预测,图注意力,负采样的论文, 主要内容为知识图谱以强大的知识表达能力广泛地应用于信息检索、自然语言理解、推荐系统等领域。但知识图谱的不完整性会带来搜索结果不全面、准确性不足以及应用领域受限等问题使得链接预测成为知识图谱扩充和完善的重要方法。在最近研究中,基于图注意力网络模型由于具备较好的局部与全局信息的捕获能力,在链接预测上取得不错的效果,但仍存在初始化阶段实体和关系缺失语义信息、解码阶段忽略三元组的结构特征和负样本集中混入低质量负样本的问题。本文针对上述问题进行研究,主要工作如下:(1)针对初始化阶段实体和关系缺失语义信息的问题,提出了一种使用预训练语言模型编码实体和关系描述信息的方法,该方法保证初始化阶段实体和关系嵌入表示的唯一性,并从实体和关系的描述信息中提取出语义信息,丰富实体和关系初始化阶段的嵌入表示;针对解码阶段忽略三元组结构特征的问题,提出一种基于CNN的解码器,把三元组的嵌入表示拼接成矩阵,再对其进行卷积和池化,保留了三元组的结构特征和重要的嵌入信息。在编码阶段,提出一种基于多头注意力机制的编码器,通过聚合带有权重的邻接实体和关系的嵌入表示,使得目标节点获得更多重要信息。(2)针对负样本集中混入低质量负样本的问题,提出两种负采样优化方法来解决混入低质量负样本的问题。一种是使用基于对抗学习的负采样优化方法,通过判别器和生成器获取高质量的负样本集;另一种是基于缓存的负采样优化方法,设计了一种可以从简单样本到复杂样本学习的缓存机制,并对缓存进行采样和更新,就能从缓存中获取到高质量的负样本集合。(3)知识图谱链接预测系统的设计与实现。通过对链接预测方法的研究,设计开发了知识图谱链接预测系统,并在汉语框架网CFN(Chinese Frame Net)数据集上进行验证。在实现数据导入、导出、可视化、节点和关系增删查改等基本功能基础上,将链接预测方法应用在CFN框架关系预测任务上,实现了对潜在的框架关系的发现。该系统的实现,有利于对CFN数据集的管理及维护,并为CFN知识库的完善提供技术支撑。
基于知识图谱增强异构网络表示学习的推荐方法研究
这是一篇关于异构网络,知识图谱,图注意力,推荐系统的论文, 主要内容为随着人工智能的不断发展以及互联网数据的指数级增长,导致人们经常面临一个信息过载问题。用户常常难以从海量数据中快速获取想要的信息,这使得智能、有效的推荐方法及推荐系统变得越来越重要。其中,基于知识图谱的推荐方法因其引入了用户及物品内含的丰富的语义关系,可以有效缓解推荐系统面临的数据稀疏及冷启动问题,极大地提高了推荐模型的效果,受到了众多学者的关注。知识图谱的引入虽然极大的增强了我们可以学习的内容,但现有模型都在研究如何有效的将知识图谱融合到用户交互图中,没有考虑直接融合后的知识图谱由于额外信息的引入造成的图污染问题。这种污染可能导致学习到的节点表示既不具有推荐任务属性,也不具有知识图谱属性。另外,由于图的不可区分,已有模型都没有区分推荐任务和知识图谱表示学习任务,通过一种方法同时学习两种任务特征。基于以上问题,本文的主要工作如下:(1)提出了一种新的推荐任务相关的知识图谱融合方式,以缓解信息不一致造成的融合后的图污染问题。具体地,本文根据知识图谱和用户-项目交互图的特点,构造了一个异构协作知识图谱,该异构协作知识图谱保留了知识图谱原有的异构网络边信息,同时又加入了新的用户交互类型信息,并通过实体匹配链接将项目连接到知识图谱内,最终拼成一个只关注推荐任务语义关系的异构协作知识图谱。另外,基于该异构协作知识图谱,可以便捷地利用异构网络表示学习方法完成推荐任务,避免了在大规模知识图谱上学习实体语义而带来的计算负担。(2)在异构协作知识图谱的基础上,本文设计了一个能区分推荐任务和知识图谱表示学习任务的异构图注意力网络。该网络通过在异构图上使用不同的图神经网络学习方式,即保留了知识图谱的实体关系性质,又考虑到了推荐任务的特殊性。并且,在推荐预测模块,本文设计了一个能考虑用户-项目交互的新注意力传播方法,借此将用户和项目的交互信息也编码到节点表示中去。最后,本文在亚马逊图书数据基准集上验证了所提出方法的有效性。
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：毕设助手 ，原文地址：https://m.bishedaima.com/lunwen/54703.html
