發(fā)布時間：2021-02-25 19:03

　　隨著近年來互聯(lián)網中數據的海量增長以及人工智能的發(fā)展,對各種異構數據的處理能力也在不斷的提高,知識以及知識間的關系逐漸受到行業(yè)發(fā)展的重視。知識圖譜的產生使得互聯(lián)網中的數據具有了較好的語義處理能力,但目前知識圖譜仍處于正在發(fā)展的過程,遠未達到完善的程度,知識圖譜中雖包含了上億條事實數據,但對不常用到的一些較冷門的知識尚未完全覆蓋到,同時,仍存在部分可以通過簡單的推理得到的知識也未被標識出。因此進行知識圖譜的補全具有重要的意義。而目前對知識圖譜補全的工作大都集中于對實體對間直接關系的補全,本文主要針對短路徑中存在的部分事實關系的補全,并提出了一種知識圖譜中語義路徑組合關系的推理算法（簡稱CSPRRA）。針對目前知識圖譜中隱含關系的推理問題本文工作如下:（1）針對以往知識推理的過程大都基于圖結構進行,計算成本較高且擴展性能較差等問題,本文受知識表示學習的啟發(fā),利用Bordes A等人提出的翻譯模型,將知識圖譜嵌入到低維向量空間中進行計算,從而提高計算效率以及擴展性。（2）為挖掘知識圖譜中路徑上的信息,就需要獲取到兩個實體間存在的某種可達的路徑信息,在本文中,提出了一種基于強化學習的路徑發(fā)現模型... 

【文章來源】：大連海事大學遼寧省 211工程院校

【文章頁數】：61 頁

【學位級別】：碩士

【部分圖文】：

圖１．４問題導出圖??Ｆｉｇ．?１．４?Ｄｉａｇｒａｍ?ｏｆ?Ｐｒｏｂｌｅｍ?ｅｘｐｏｒｔ??

?大連海事大學碩士學位論文???知識圖譜中這種表示知識的方式，清晰簡潔的將互聯(lián)網中存在的各種不同來源，不??同表示方式，不同結構的信息利用結構化的規(guī)則組織了起來，使得這些信息不再雜亂無??章，并能夠更好的進行管理和利用。目前知識圖譜技術的快速發(fā)展，使得基于知識圖譜??發(fā)展的一些問答系統(tǒng)，比如ＩＢＭＷａｔｓｏｎ，推薦系統(tǒng)、還有一些日常接觸到的移動個人助??理Ａｐｐｌｅ?Ｓｉｒｉ等這些應用變得更加智能化。常見的知識圖譜示例表示如圖２．１所示。??ｐｉｆｌｎｎ??ＨＢｙｎＴｊ??？：?、圖２＿ｌ谷歌知識圖譜示例：??Ｆｉａ．?２．１?Ｇｏｏｇｌｅ?Ｋｎｏｗｌｅｄｇｅ?Ｇｒａｐｈ?Ｅｘａｍｐｌｅ??＊?＾?｜?？?？?－?；??在早期，知識圖譜雖然＿確性嵩、結構性好，但因為依靠手動構建‘，因此并不完善。??同時受技術發(fā)展水平的限制，無論是在擴充還是基于內部知識的推理方面的表現并不良??好。而在后期基于各種統(tǒng)計機器學習在處理問題方面的表現優(yōu)勢，使得知識圖譜可以進??行半自動或自動化的構建，到目前為止，基于知識圖譜上的各種應用，比如知識推理，??都不再簡單的依賴于圖結構進行，而是對表示學習、機器學習、強化學習等這些技術加??以利用。但是目前仍然是不完善的，對知識圖譜的中知識的補全依然具有重要的意義。??本文是在封閉域知識圖譜前提下，通過對實體間存在的較短路徑上存在的潛在知識進行??關系推理。??在行業(yè)內存在兩種對知識圖譜的假設，一種是封閉域假設，該假設認為對于已經構??建好的知識圖譜，其中存在的知識都是正確的，而不存在于其中的知識是錯誤的。另一??種是開放域假設，該假設認為，互聯(lián)網中的知識是在源源不斷更新的，

??－？?ＴｒａｎｓＥ?模型???ＴｒａｎｓＨ?模型?文獻［３８］??－？｜?ＴｒａｎｓＲ?模型?文獻［３９］??義獻［４０］中的ＳＳＥ模型通過文獻［４１］中提到的??ｒ－?拉晉拉斯特征映射０．Ｆ）和文獻［４２］中提出的??ｆ弓．ＩＡ外加１：吾｜?局部線性嵌入（ＬＬＥ）兩種兌法引入實體的語義類別信息??義信息?????１?文獻［４３］十提出的ＤＫＲＬ通過利用??連續(xù)詞袋模型（ＣＢ０Ｗ）和深度卷和神經網絡（ＣＮＮ），從實體??描述語句中引入實體的語義信息??圖２．?２嵌入表示模型分類圖??Ｆｉｇ．?２．２?Ｅｍｂｅｄｄｅｄ?ｒｅｐｒｅｓｅｎｔａｔｉｏｎ?ｍｏｄｅｌ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ??常見的嵌入表示模型分類如圖２．２所示。其中的神經張量網絡模型（ＮＴＮ）這種方法??當參數過多會存在過擬合問題。翻譯模型比如ＴｒａｎｓＥ、ＴｒａｎｓＨ、ＴｒａｎｓＲ等算法，區(qū)別在??于，ＴｒａｎｓＥ模型是將知識圖譜中的實體和關系映射到一個統(tǒng)一的低維向量空間中，這使??得在面對一對多、多對一和多對多關系的問題中表現不好。而另外兩種模型則是根據關??系進行實體的投影，進而實現對實體的不同語義進行不同處理。在一定程度上解決了??－１３?－??

【參考文獻】：
期刊論文
[1]知識圖譜研究進展[J]. 漆桂林,高桓,吳天星.  情報工程. 2017(01)
[2]知識圖譜技術綜述[J]. 徐增林,盛泳潘,賀麗榮,王雅芳.  電子科技大學學報. 2016(04)
[3]知識圖譜構建技術綜述[J]. 劉嶠,李楊,段宏,劉瑤,秦志光.  計算機研究與發(fā)展. 2016(03)
[4]知識表示學習研究進展[J]. 劉知遠,孫茂松,林衍凱,謝若冰.  計算機研究與發(fā)展. 2016(02)
[5]統(tǒng)計機器學習研究[J]. 李鈞濤,楊瑞峰,左紅亮.  河南師范大學學報(自然科學版). 2010(06)
[6]謂詞/變遷系統(tǒng)對一階謂詞公式的建模[J]. 耿霞,吳哲輝,張繼軍.  系統(tǒng)仿真學報. 2007(S1)
[7]悄然興起的科學知識圖譜[J]. 陳悅,劉則淵.  科學學研究. 2005(02)
[8]機器學習研究的發(fā)展現狀與動向[J]. 楊忠祥.  信息與控制. 1987(01)

碩士論文
[1]融合結構和語義信息的知識圖譜補全算法研究[D]. 唐慧琳.北京郵電大學 2017



本文編號：3051433