隨著大數(shù)據(jù)時代的到來,知識的存儲與表示變得尤為重要。知識圖譜是知識表示最有效的方式之一,被廣泛的應(yīng)用于智能搜索、智能問答等智能化應(yīng)用。雖然,現(xiàn)有知識圖譜的規(guī)模已經(jīng)十分龐大,但其距離達(dá)到知識的完備狀態(tài)依舊十分遙遠(yuǎn)。知識圖譜的完備程度將直接影響智能化應(yīng)用的性能好壞。為此,知識圖譜補全技術(shù)備受關(guān)注,已經(jīng)成為當(dāng)前的一個研究熱點。知識圖譜嵌入旨在利用連續(xù)的、稠密的、低維的向量來表示知識圖譜中的實體和關(guān)系,以便使用低維向量進(jìn)行知識的推理和補全。近年來,基于翻譯的模型表現(xiàn)出強大的可行性和魯棒性,在知識圖譜補全任務(wù)中實現(xiàn)了最先進(jìn)的性能。但是現(xiàn)有翻譯模型仍存在知識表示不夠精確、負(fù)例三元組質(zhì)量較低等不足,為了克服這些不足本文提出了MvTransE與TransE-SNS模型。本文主要研究內(nèi)容如下:(1)本文提出了一種多視角學(xué)習(xí)的嵌入模型MvTransE。該模型先從實體的語義和結(jié)構(gòu)角度生成多個平行子圖。然后將原始的知識圖譜和子圖分別嵌入到全局視角空間和局部視角空間。最后利用多視角融合策略整合關(guān)系事實的多視角表示。MvTransE解決了現(xiàn)有模型的兩個不足之處。第一,TransE、TransH等模型側(cè)重于從全局出發(fā),學(xué)習(xí)關(guān)系事實的全局表示,這樣不能區(qū)別地學(xué)習(xí)各種類型的事實。特別是,它造成實體和關(guān)系在向量空間中的擁塞,從而降低了實體和關(guān)系向量的表示精度。第二,puTransE采用多個平行空間來學(xué)習(xí)局部事實,它損害了原始知識圖譜的全局事實,從而降低了簡單關(guān)系事實的學(xué)習(xí)能力。大量實驗結(jié)果表明,MvTransE取得了最先進(jìn)的性能。(2)本文提出了一種相似性負(fù)采樣策略用于生成高質(zhì)量的負(fù)例三元組。該策略先通過K-Means聚類算法將所有實體劃分為多個簇。然后從正例三元組中頭實體所在的簇中選擇一個實體替換頭實體,并以類似的方法替換尾實體。我們將相似性負(fù)采樣策略與TransE相結(jié)合得到TransE-SNS。由于相似性負(fù)采樣策略解決了TransE在訓(xùn)練中會生成大量的低質(zhì)量負(fù)例三元組問題,提高了負(fù)例三元組的質(zhì)量。大量實驗結(jié)果表明,TransE-SNS的性能相較于TransE具有顯著地提升。
【學(xué)位單位】：桂林電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP391.1;TP18
【部分圖文】：

面向知識圖譜補全的嵌入模型研究自從 2012 年 Google 正式提出知識圖譜的概念并發(fā)布 GoogleKnowledgeGraph 以來，各大互聯(lián)網(wǎng)企業(yè)也紛紛開始構(gòu)建自己的知識圖譜，如 MicrosoftSatori、阿里巴巴商品知識圖譜和百度知心等。最初，Google 構(gòu)建知識圖譜的目的是為了提升搜索引擎搜索時的質(zhì)量。在搜索時，Google 搜索引擎不僅會提供相關(guān)網(wǎng)頁的鏈接列表，而且還會顯示一些關(guān)于該搜索主題詳細(xì)的結(jié)構(gòu)化信息。如圖 1-2 所示，當(dāng)用戶使用Google 搜索引擎搜索“馬云”時，在搜索界面左側(cè)提供了關(guān)于“馬云”的網(wǎng)頁鏈接列表，同時在搜索界面右側(cè)顯示了若干關(guān)于“馬云”的客觀事實信息。這些客觀事實由搜索引擎通過知識圖譜提供，從而實現(xiàn)用戶在進(jìn)行主題查詢時不必導(dǎo)航至其他網(wǎng)頁就可獲取相關(guān)的主題信息。由此可見，知識圖譜能夠提高搜索引擎的用戶體驗和搜索質(zhì)量。近年來，知識圖譜已經(jīng)不僅限于在搜索引擎中使用，同時還在智能問答系統(tǒng)、個性化推薦系統(tǒng)等智能化應(yīng)用中產(chǎn)生巨大的價值。
【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 王元卓;靳小龍;程學(xué)旗;;網(wǎng)絡(luò)大數(shù)據(jù):現(xiàn)狀與展望[J];計算機學(xué)報;2013年06期

相關(guān)博士學(xué)位論文 前2條

1 王楨;基于嵌入模型的知識圖譜補全[D];中山大學(xué);2017年

2 胡芳槐;基于多種數(shù)據(jù)源的中文知識圖譜構(gòu)建方法研究[D];華東理工大學(xué);2015年

本文編號：2894213