典型文献
融合多源信息的知识表示学习
文献摘要：
在知识图谱中,实体的文本描述信息、实体的层次类型信息和图的拓扑结构信息中隐藏着丰富的内容,它们可以形成对原始三元组的有效补充,帮助提高知识图谱各种任务的效果.为了充分利用这些多源异质信息,首先通过一维卷积神经网络嵌入文本描述信息,然后根据实体的层次类型信息构建投影矩阵,将三元组中的实体向量和实体的描述向量映射到特定的关系空间中来约束实体的语义信息,再基于图注意力机制融合图的拓扑结构信息,计算不同邻接点对实体的影响.在图注意力层中,计算了实体间的多跳关系来帮助改善数据稀疏的问题.最后,通过二维卷积神经网络来捕获不同维度间的全局信息,进一步提高模型的性能.链接预测实验结果表明,基于多源信息组合的知识表示学习模型(MCKRL)能够充分利用三元组以外的多源异质信息,因而相比于其他基线模型,该模型在链接预测任务上取得了更好的结果.
文献关键词：
知识表示学习;实体描述;层次类型;拓扑结构
中图分类号：
作者姓名：
夏光兵;李瑞轩;辜希武;刘伟
作者机构：
华中科技大学 计算机科学与技术学院,武汉 430074
文献出处：
引用格式：
[1]夏光兵;李瑞轩;辜希武;刘伟-.融合多源信息的知识表示学习)[J].计算机科学与探索,2022(03):591-597
A类：
MCKRL
B类：
多源信息,知识表示学习,文本描述,层次类型,类型信息,拓扑结构,结构信息,中隐,三元组,高知,异质信息,一维卷积神经网络,网络嵌入,信息构建,投影矩阵,实体向量,向量映射,射到,关系空间,语义信息,图注意力机制,注意力机制融合,邻接,接点,注意力层,多跳,数据稀疏,二维卷积神经网络,不同维度,全局信息,链接预测,信息组,基线模型,实体描述
AB值：
0.370855
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
