本文選題：知識圖譜 + 關系推理��； 參考：《電子科技大學》2017年碩士論文

【摘要】：伴隨著信息技術及互聯(lián)網的快速發(fā)展,傳統(tǒng)基于文本的的信息檢索方法已經難以滿足用戶的需求,迫切需要一種更加高效的信息處理方法。知識圖譜研究就是在此背景下產生和發(fā)展起來的,知識圖譜對非結構的文本信息進行處理,抽取獲得包含其中的結構化知識,最終構建成為一張巨大的知識網絡,相關的應用基于這一網絡為用戶提供更加快速和準確的服務。關系推理技術是組成整個知識圖譜系統(tǒng)的核心模塊之一,其主要任務是:在不添加額外知識的情況下,使用知識圖譜中已經存在的知識,通過加工推理獲得新的知識。該技術對于知識圖譜的擴充和完善,以及基于知識圖譜的各類實際應用有著深刻的促進意義。本文通過對國內外關系推理領域的相關工作進行全面調研,并在此基礎上提出了一種新的基于圖的關系推理算法(Graph-based Relation Inferring Algorithm,GBRI),該算法主要包括兩個部分:全局關系推理模塊和局部關系推理模塊。兩個模塊分別利用不同關系類型間的連通結構以及單一關系內的結構特征進行推理預測,并將兩者進行融合獲得最終的關系推理結果。本文的主要貢獻如下:(1)提出了一種新的關系預處理方法,該方法將知識圖譜中的同義關系進行合并,降低了關系特征空間的維度,使得模型學習過程中的訓練數(shù)據(jù)更為充足,緩解了數(shù)據(jù)的稀疏性問題。(2)提出了全局關系推理算法,該算法首次將知識圖譜以一張無向圖進行建模,構造“實體-關系”圖,并針對知識圖譜中包含的每一種關系,在“實體-關系”圖中尋找其特征路徑,用于構造特征向量,最后,利用Logistic回歸訓練得到每類關系的預測模型。實驗表明,無向圖的建模方式能夠有效增加所能獲取到的特征路徑數(shù)量,提高算法的預測準確率。(3)提出了局部關系推理算法,該算法首次考慮了不同關系類型的內部特征,在“實體-關系”圖中提取每種關系的關系子圖,并計算子圖中不同實體間的轉移概率,進而得到局部關系推理模型的預測結果。實驗表明,該算法能夠有效提高多對多關系數(shù)據(jù)上的預測性能。(4)本文對全局關系推理算法和局部關系推理算法的預測結果進行融合,得到了最終的GBRI。并在三個開源數(shù)據(jù)集WN18,FB15k以及FB40k上,對比了GBRI模型與其它代表性工作的預測性能,證明了GBRI模型的有效性。
[Abstract]:With the rapid development of information technology and the Internet, the traditional text-based information retrieval method has been difficult to meet the needs of users, and a more efficient information processing method is urgently needed. The research of knowledge map is produced and developed under this background. Knowledge map processes the unstructured text information, extracts the structured knowledge contained therein, and finally constructs a huge knowledge network. Related applications provide users with faster and more accurate services based on this network. Relational reasoning technology is one of the core modules of the whole knowledge map system. Its main task is to obtain new knowledge by processing reasoning without adding additional knowledge and using the existing knowledge in the knowledge map. This technique is of great significance for the expansion and improvement of knowledge atlas and the practical applications based on knowledge atlas. This paper makes a comprehensive investigation on the related work in the field of relational reasoning at home and abroad. On this basis, a new graph-based Relation Inferring algorithm is proposed. The algorithm consists of two parts: the global relational reasoning module and the local relational reasoning module. The two modules respectively use the connected structure between different relationship types and the structural features in a single relationship to predict the reasoning and obtain the final relational reasoning result by merging the two models. The main contributions of this paper are as follows: (1) A new relationship preprocessing method is proposed, which combines the synonyms in the knowledge map, reduces the dimension of the relationship feature space, and makes the training data in the process of model learning more adequate. A global relational reasoning algorithm is proposed, in which the knowledge map is modeled with an undirected graph for the first time, and a "entity-relation" graph is constructed. The feature path is found in the "entity-relation" graph, which is used to construct the feature vector. Finally, the prediction model of each kind of relation is obtained by using Logistic regression training. Experiments show that the modeling method of undirected graph can effectively increase the number of feature paths that can be obtained, and improve the prediction accuracy of the algorithm. A local relational reasoning algorithm is proposed, which for the first time takes into account the internal features of different relationship types. The relation subgraph of each relation is extracted from the "entity-relation" graph, and the transition probability between different entities in the subgraph is calculated, and the prediction results of the local relational reasoning model are obtained. Experimental results show that the algorithm can effectively improve the prediction performance of many-to-many relational data.) in this paper, the prediction results of global relational reasoning algorithm and local relational reasoning algorithm are fused, and the final GBRI is obtained. On three open source datasets WN18FB15k and FB40k, the prediction performance of GBRI model and other representative work is compared, and the validity of GBRI model is proved.
【學位授予單位】：電子科技大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.1;TP181

【相似文獻】

相關期刊論文 前10條

1 徐麗群,蔣馥;擁擠路線交通量控制的模糊推理算法[J];信息與控制;2003年02期

2 桑睨;羅敏霞;;模糊推理算法的一種新模型[J];中國計量學院學報;2012年01期

3 李凡;;模糊推理算法的研究[J];數(shù)字技術與應用;2014年05期

4 何華燦,劉永懷,張利輝;基于規(guī)則矩陣的數(shù)值化推理算法[J];西北工業(yè)大學學報;1997年01期

5 袁洪芳,史天運,王信義;故障診斷專家系統(tǒng)中的模糊推理算法[J];北京理工大學學報;1999年06期

6 李戰(zhàn)明;張永江;;基于計算型模糊推理算法的模糊控制器設計[J];計算機工程與應用;2014年14期

7 賈立新,薛鈞義,茹峰;采用模糊Petri網的形式化推理算法及其應用[J];西安交通大學學報;2003年12期

8 張穩(wěn);張桂戌;;一種改進的基于規(guī)則的帶權模糊推理算法[J];計算機工程;2007年07期

9 潘正華;;模糊推理算法的數(shù)學原理[J];計算機研究與發(fā)展;2008年S1期

10 仇國芳;朱朝暉;;基于經典-模糊變精度概念格的決策規(guī)則獲取及其推理算法[J];計算機科學;2009年12期

相關會議論文 前5條

1 張超;賈金原;;科普益智游戲中的博弈推理算法[A];全國首屆數(shù)字（虛擬）科技館技術與應用學術研討會論文集[C];2007年

2 李俊玲;周東岱;鐘紹春;趙瑞清;;帶重要度可信度框架規(guī)則知識表示及其模糊推理算法[A];2006年全國理論計算機科學學術年會論文集[C];2006年

3 卿銘;黃天民;陳華斌;;關于推廣簡約模糊推理算法的研究[A];模糊集理論與應用——98年中國模糊數(shù)學與模糊系統(tǒng)委員會第九屆年會論文選集[C];1998年

4 張白一;崔尚森;;基于數(shù)據(jù)表結構的FPN并行推理算法[A];2006年全國開放式分布與并行計算學術會議論文集（一）[C];2006年

5 陳紅;任佳;;變結構混合動態(tài)貝葉斯網絡及其推理算法[A];第24屆中國控制與決策會議論文集[C];2012年

相關碩士學位論文 前10條

1 江瀏yN;基于圖的關系推理算法研究與實現(xiàn)[D];電子科技大學;2017年

2 王慧英;基于模糊Petri網的并行推理算法研究[D];長沙理工大學;2014年

3 趙凱凱;認知程序推理算法的優(yōu)化與實現(xiàn)[D];東南大學;2015年

4 吳自勉;OWL 2 EL并行推理技術研究[D];東南大學;2016年

5 申蔓蔓;基于庫所重排策略的直覺模糊Petri網推理算法的優(yōu)化研究[D];長沙理工大學;2015年

6 張健偉;主題模型LDA推理算法對比與改進研究[D];蘇州大學;2017年

7 陳晨;基于置信規(guī)則的模糊推理算法的研究與實現(xiàn)[D];南京航空航天大學;2012年

8 張景云;基于吉布斯采樣推理算法的交通預測研究[D];云南大學;2011年

9 胡大偉;動態(tài)貝葉斯網絡的近似推理算法研究[D];合肥工業(yè)大學;2009年

10 何映思;模糊控制的模糊推理算法研究[D];西南師范大學;2005年

，

本文編號：1976652