知識圖譜包含了實體和關(guān)系的結(jié)構(gòu)化信息,通常表示為多關(guān)系圖的形式,即實體之間通過代表不同關(guān)系的邊進行連接。知識圖譜可以用于包括人工智能和信息檢索在內(nèi)的多個領(lǐng)域。隨著信息大量的創(chuàng)建,對許多研究人員和從業(yè)人員而言,確定知識圖中信息是否正確并填補其缺失部分是至關(guān)重要的任務(wù)。為了應(yīng)對這一挑戰(zhàn),研究人員嘗試將由實體和關(guān)系組成的大規(guī)模知識圖譜嵌入到連續(xù)的向量空間以便于計算。最近,研究人員提出了許多開創(chuàng)性的模型來解決這個問題。根據(jù)模型中得分函數(shù)定義的不同,本文將模型分為組合方法和非組合方法兩類。非組合方法如Trans E,雖然計算效率很高,但是模型的擬合能力欠佳。諸如Rescal之類的組合方法有更好的擬合能力,但它需要大量的參數(shù)進行計算。在本文中,我們使用深度卷積神經(jīng)網(wǎng)絡(luò)來建模嵌入向量之間的關(guān)系。與傳統(tǒng)方法中人為設(shè)計算子的方法不同,本文利用深度卷積神經(jīng)網(wǎng)絡(luò)來計算實體隱特征之間的關(guān)聯(lián),并以實體之間的相似性作為輔助信息來改進模型。在實驗中,我們的方法比大多數(shù)基線模型都有效并且表現(xiàn)優(yōu)異。 

【文章來源】：哈爾濱工業(yè)大學黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：55 頁

【學位級別】：碩士

【部分圖文】：

知識圖譜及補全問題示意圖

圖 2-1 用獨熱編碼的方式表示詞向量這些缺點限制了獨熱編碼的詞向量表示在自然語言處理中的應(yīng)用，對此，研究人員提出了很多方法，使用較為廣泛的是詞的嵌入表示。2. 嵌入表示嵌入是將詞映射到低維向量空間中，通常維度是幾十到幾百。嵌入的詞向量中的特征稱為隱特征，它們是沒有具體含義的。通過將詞嵌入到低維空間中，便可以在此基礎(chǔ)上進行向量操作和運算。在文本的處理中，常用的詞嵌入方法又被成為 Word2Vec，常用的方法有 CBOW 和 skip-gram，由于篇幅限制，我們不對 Word2Vec 的具體模型進行介紹，只針對知識圖譜中的嵌入進行解釋。知識圖譜因為其特殊的數(shù)據(jù)結(jié)構(gòu)，其嵌入方式是依據(jù)損失函數(shù)而確定的。不同于文本處理中的詞嵌入，文本的詞是在整個句子中出現(xiàn)，知識圖譜的嵌入有其特殊性：（1） 不同于文本，知識圖譜的數(shù)據(jù)集是規(guī)則的三元組結(jié)構(gòu)，包含頭部實體，尾部實體和關(guān)系。

生成負例


本文編號：3136053