图卷积网络的知识表示学习研究
这是一篇关于知识图谱,知识表示学习,图卷积网络,结构信息,邻域信息的论文, 主要内容为知识图谱是知识库中大量三元组链接而成的数据库,广泛应用于搜索引擎、问答系统、推荐系统等知识驱动任务。知识图谱的不断扩充使得基于知识图谱的知识推理难以有效进行,因此,知识表示学习应运而生。知识表示学习在向量空间中学习实体和关系的低维稠密向量表示,从而对知识图谱进行建模以保存其本质的结构信息和语义信息。知识表示学习在很大程度上缓解了数据稀疏和传统方法面临的计算效率低下问题,进而提升了知识驱动任务的性能。因此,研究知识表示学习具有重要意义和应用价值。基于三元组的知识表示学习模型在建模知识图谱时总是独立地处理每个三元组,忽略了知识图谱的结构信息。知识图谱的结构信息充分的反映了实体和关系的邻域信息,进一步刻画了实体与关系之间和实体与实体之间的语义交互。因此,本文从知识图谱的结构信息入手,结合实体和关系所处的邻域,分别探索了融合部分邻域信息和融合全部邻域信息的知识表示学习方法。研究内容如下:(1)针对融合部分邻域信息,提出基于聚合的图卷积知识表示学习方法。首先,使用基于聚合的图卷积网络编码器聚合邻居实体及相连关系的信息;其次,将聚合的表示用于更新中心实体的表示,并且使关系表示进行自我更新。该方法极大缓解了大部分基于三元组的模型在知识表示学习过程中无法有效融入实体所在邻域的信息这一问题。(2)针对融合全部邻域信息,提出基于双注意力的图卷积知识表示学习方法。首先,在图卷积网络编码器中设计两个注意力机制同时评估邻域的重要性;其次,根据不同重要性融合邻域信息;最后,根据融合的邻域信息更新实体和关系的向量表示。该方法同时考虑了邻域对实体和关系的表示学习造成的影响,极大促进了实体与关系之间和实体与实体之间的语义交互。本文对基因本体数据进行建模,结合基因功能相似度分析任务,评估了基于聚合的图卷积知识表示学习方法的性能,同时在标准的链接预测数据集上测试了基于双注意力的图卷积知识表示学习方法的性能。实验结果表明,在知识表示学习中利用图卷积网络融入知识图谱的结构信息能充分地对知识图谱进行建模。
图卷积网络的知识表示学习研究
这是一篇关于知识图谱,知识表示学习,图卷积网络,结构信息,邻域信息的论文, 主要内容为知识图谱是知识库中大量三元组链接而成的数据库,广泛应用于搜索引擎、问答系统、推荐系统等知识驱动任务。知识图谱的不断扩充使得基于知识图谱的知识推理难以有效进行,因此,知识表示学习应运而生。知识表示学习在向量空间中学习实体和关系的低维稠密向量表示,从而对知识图谱进行建模以保存其本质的结构信息和语义信息。知识表示学习在很大程度上缓解了数据稀疏和传统方法面临的计算效率低下问题,进而提升了知识驱动任务的性能。因此,研究知识表示学习具有重要意义和应用价值。基于三元组的知识表示学习模型在建模知识图谱时总是独立地处理每个三元组,忽略了知识图谱的结构信息。知识图谱的结构信息充分的反映了实体和关系的邻域信息,进一步刻画了实体与关系之间和实体与实体之间的语义交互。因此,本文从知识图谱的结构信息入手,结合实体和关系所处的邻域,分别探索了融合部分邻域信息和融合全部邻域信息的知识表示学习方法。研究内容如下:(1)针对融合部分邻域信息,提出基于聚合的图卷积知识表示学习方法。首先,使用基于聚合的图卷积网络编码器聚合邻居实体及相连关系的信息;其次,将聚合的表示用于更新中心实体的表示,并且使关系表示进行自我更新。该方法极大缓解了大部分基于三元组的模型在知识表示学习过程中无法有效融入实体所在邻域的信息这一问题。(2)针对融合全部邻域信息,提出基于双注意力的图卷积知识表示学习方法。首先,在图卷积网络编码器中设计两个注意力机制同时评估邻域的重要性;其次,根据不同重要性融合邻域信息;最后,根据融合的邻域信息更新实体和关系的向量表示。该方法同时考虑了邻域对实体和关系的表示学习造成的影响,极大促进了实体与关系之间和实体与实体之间的语义交互。本文对基因本体数据进行建模,结合基因功能相似度分析任务,评估了基于聚合的图卷积知识表示学习方法的性能,同时在标准的链接预测数据集上测试了基于双注意力的图卷积知识表示学习方法的性能。实验结果表明,在知识表示学习中利用图卷积网络融入知识图谱的结构信息能充分地对知识图谱进行建模。
基于三元组结构信息的知识图谱表示学习方法研究
这是一篇关于知识图谱,三元组,知识表示学习,结构信息的论文, 主要内容为随着网络信息技术的快速发展,知识图谱规模不断增加,计算效率低下、以及数据长尾稀疏性问题也随之而来,为了解决上述问题,相关研究人员引入分布式低维向量来表示知识图谱三元组。知识图谱三元组实体以及关系嵌入蕴含着丰富的图谱信息,但传统知识表示学习模型的训练过程以三元组为单元,相对独立地进行模型的训练学习,无法有效利用到图谱三元组间潜在的图谱特征信息,限制了模型知识表示学习的能力。选择一种合适的方法对图谱三元组实体和关系等结构信息进行融合学习,能够提升模型的表示学习效果。因此,本文进行了基于三元组结构信息的知识图谱表示学习方法的相关研究,以图谱三元组中的实体嵌入为信息载体,以包含该实体的三元组圈定信息融合的范围,根据图谱三元组结构信息,从实体及关系等不同的融合角度,提出系列融合方法并完成相应模型的构建。在公开数据集上对所构建模型进行链接预测实验,通过对比分析实验结果,找出实验性能较好的融合方法,并在新的数据集上进行进一步实验验证,得到最终的知识表示融合模型,主要研究成果总结如下:1)为了解决传统知识表示学习模型对于图谱三元组的训练相对独立,没有充分利用到图谱三元组实体及关系所蕴含的图谱信息的问题,本文完成了融合三元组实体和关系等结构信息的知识表示学习模型的构建,对比分析系列融合模型的实验结果,并在新的数据集上进行实验验证,最终得到综合性能比较优秀的表示学习融合模型。2)为了进一步探究提升模型表示学习性能的融合方法,设计系列基于三元组结构信息的对照实验并构建相应模型,对比分析融合模型实验结果,发现模型在融合图谱三元组关系信息之后,图谱链接预测实验性能表现获得比较全面的提高,特别是模型图谱链接预测的hit@1指标获得了快速提升,这一发现对知识表示学习相关研究具有一定的借鉴意义。
图卷积网络的知识表示学习研究
这是一篇关于知识图谱,知识表示学习,图卷积网络,结构信息,邻域信息的论文, 主要内容为知识图谱是知识库中大量三元组链接而成的数据库,广泛应用于搜索引擎、问答系统、推荐系统等知识驱动任务。知识图谱的不断扩充使得基于知识图谱的知识推理难以有效进行,因此,知识表示学习应运而生。知识表示学习在向量空间中学习实体和关系的低维稠密向量表示,从而对知识图谱进行建模以保存其本质的结构信息和语义信息。知识表示学习在很大程度上缓解了数据稀疏和传统方法面临的计算效率低下问题,进而提升了知识驱动任务的性能。因此,研究知识表示学习具有重要意义和应用价值。基于三元组的知识表示学习模型在建模知识图谱时总是独立地处理每个三元组,忽略了知识图谱的结构信息。知识图谱的结构信息充分的反映了实体和关系的邻域信息,进一步刻画了实体与关系之间和实体与实体之间的语义交互。因此,本文从知识图谱的结构信息入手,结合实体和关系所处的邻域,分别探索了融合部分邻域信息和融合全部邻域信息的知识表示学习方法。研究内容如下:(1)针对融合部分邻域信息,提出基于聚合的图卷积知识表示学习方法。首先,使用基于聚合的图卷积网络编码器聚合邻居实体及相连关系的信息;其次,将聚合的表示用于更新中心实体的表示,并且使关系表示进行自我更新。该方法极大缓解了大部分基于三元组的模型在知识表示学习过程中无法有效融入实体所在邻域的信息这一问题。(2)针对融合全部邻域信息,提出基于双注意力的图卷积知识表示学习方法。首先,在图卷积网络编码器中设计两个注意力机制同时评估邻域的重要性;其次,根据不同重要性融合邻域信息;最后,根据融合的邻域信息更新实体和关系的向量表示。该方法同时考虑了邻域对实体和关系的表示学习造成的影响,极大促进了实体与关系之间和实体与实体之间的语义交互。本文对基因本体数据进行建模,结合基因功能相似度分析任务,评估了基于聚合的图卷积知识表示学习方法的性能,同时在标准的链接预测数据集上测试了基于双注意力的图卷积知识表示学习方法的性能。实验结果表明,在知识表示学习中利用图卷积网络融入知识图谱的结构信息能充分地对知识图谱进行建模。
基于知识图谱表示学习的推荐算法研究
这是一篇关于知识图谱,表示学习,结构信息,推荐,交互信息的论文, 主要内容为近几年,由于移动互联网在不断地快速发展,网络上的信息也越来越丰富。面对如此丰富的网络信息,推荐便显得尤其重要。推荐系统的主要功能是根据用户对物品的历史行为信息,挖掘出用户的行为偏好。然后根据偏好模型提供给用户满足需求的信息。传统的推荐系统面临的稀疏性问题和冷启动问题在一定程度上限制了推荐的效果。而表示学习实现了把不同研究对象之间丰富的关联信息投影到低维的向量空间中,这种学习方法可以很好的解决推荐系统中所面临的问题。知识图谱表示学习与推荐的结合更能有效地提升推荐的性能,实现符合用户偏好特点的个性化推荐。在现有的基于知识图谱表示学习的推荐中,基于翻译的表示学习算法已经取得了很大的成功。但是在这些方法中并没有充分考虑到用户和项目自身的结构信息,以及用户与项目之间的交互信息,导致推荐的效果不佳。因此,针对以上问题,本文在基于翻译的表示学习算法上做了相关研究和改进,主要研究内容包括以下几个方面:(1)通过对知识图谱中实体结构信息的分析,提出一种融合实体结构信息的表示学习算法(Strans),实现对知识图谱中实体和关系更准确的表示。具体地,本文分析实体的结构信息,包含直接结构信息和间接结构信息两部分。通过学习实体的这两部分结构信息,得到包含丰富结构信息的实体向量表示。并结合典型的翻译模型,分别得到了新的融合实体结构信息的表示学习方法Strans E模型和Strans H模型。通过大量实验,结果表明Strans E和Strans H模型在知识图谱链接预测任务上取得了显著的进步。(2)从分析用户对项目行为信息的角度出发。现有的表示学习算法忽略了用户与不喜欢项目之间的交互信息,对用户的偏好没有实现全面的学习。针对这一问题,本文提出了一种基于用户自适应偏好的表示学习推荐方法。具体地,本文首先在现有的经典翻译模型中增加用户与项目之间的关系数目,训练得到用户的“偏好”关系向量。其次,本文给出了算法在训练过程中存在的不足和对应的解决方法。最后充分利用负反馈信息来更新推荐列表。
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：源码货栈 ，原文地址：https://m.bishedaima.com/lunwen/56263.html
