發(fā)布時間：2022-01-26 09:31

　　知識圖譜補全是通過預測實體之間的隱藏關系來獲取新的知識,從而使知識圖譜更加完善。目前將知識圖譜中的實體和關系嵌入到連續(xù)低維向量空間中成為知識圖譜補全的一種有效方法,應用卷積神經網絡的ConvE等模型和應用圖卷積神經網絡的KBAT等模型在知識圖譜嵌入中取得了較好的性能。但是,KBAT等模型不能對實體間的雙向語義關系進行建模,并且無法獲取豐富的多跳鄰居特征,ConvE等模型難以獲取三元組的深層特征。針對以上問題,本文通過對圖卷積神經網絡和卷積神經網絡進行改進,給出了多跳雙向注意力模型MBGAT和基于殘差卷積神經網絡模型Res DE,提高了知識圖譜補全的準確率。本文主要研究內容如下:（1）分析了目前主要的三類知識圖譜補全方法,包括基于張量分解的知識圖譜補全方法,基于翻譯模型的知識圖譜補全方法,基于深度學習的知識圖譜補全方法。比較了他們的優(yōu)缺點,并分析了其中存在的問題。（2）針對KBAT等模型存在的問題,給出一種基于編碼器-解碼器結構的多跳雙向注意力模型MBGAT。該模型能夠學習到實體更大鄰域內的信息,并且獲取到實體間的雙向語義關系,提升了實體聚合鄰域信息的豐富度,提高實體和關系的嵌入質量。在... 

【文章來源】：桂林電子科技大學廣西壯族自治區(qū)

【文章頁數】：62 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 知識圖譜補全方法研究現狀
        1.2.1 基于張量分解的知識圖譜補全方法
        1.2.2 基于翻譯模型的知識圖譜補全方法
        1.2.3 基于深度學習的知識圖譜補全方法
    1.3 研究內容
    1.4 論文組織結構
第二章 相關知識介紹
    2.1 符號定義
    2.2 知識圖譜補全
    2.3 卷積神經網絡
        2.3.1 卷積和池化操作
        2.3.2 卷積神經網絡結構
    2.4 圖卷積神經網絡
        2.4.1 頻域圖卷積神經網絡
        2.4.2 空域圖卷積神經網絡
    2.5 激活函數
        2.5.1 S型激活函數
        2.5.2 ReLU系列激活函數
第三章 基于多跳雙向注意力機制的補全模型
    3.1 動機和目的
    3.2 MBGAT模型
        3.2.1 相關概念
        3.2.2 多跳雙向注意力層
        3.2.3 編碼器訓練目標
        3.2.4 MBGAT模型解碼器
    3.3 實驗及結果分析
        3.3.1 實驗數據
        3.3.2 評價指標及基準
        3.3.3 模型訓練及參數
        3.3.4 實驗結果分析
        3.3.5 MBGAT模型分析
    3.4 本章小結
第四章 基于殘差卷積神經網絡的補全模型
    4.1 動機和目的
    4.2 ResDE模型
        4.2.1 ResDE模型結構
        4.2.2 ResDE模型訓練
    4.3 實驗及結果分析
        4.3.1 ResDE模型設置
        4.3.2 模型參數和對比模型
        4.3.3 ResDE獨立實驗分析
        4.3.4 ResDE解碼器實驗分析
    4.4 本章小結
第五章 結束語
    5.1 研究工作總結
    5.2 研究工作展望
參考文獻
致謝
作者在攻讀碩士期間的主要研究成果



本文編號：3610254