STransH:一种改进的基于翻译模型的知识表示模型

• 作者: 向阳 陈晓军
• 来源期刊: 计算机科学
• 学科: 工学
• 关键词: 知识图谱 表示学习 链接预测 三元组分类
• 年，卷（期）: 2019,（9）
• 所属期刊栏目: 人工智能
• 页码范围: 184-189
• 页数: 6页
• 分类号: TP391
• 字数: 8663字
• 语种: 中文
• DOI: 10.11896/j.issn.1002-137X.2019.09.026

摘要

最近,以深度学习为代表的表示学习技术受到广泛关注.表示学习旨在将研究对象的语义信息表示为低维稠密实值向量.因此,一系列知识表示模型被提出,其中基于翻译模型的经典方法TransE不仅模型复杂度低、计算效率高,而且具有良好的知识表达能力.但是,TransE方法在处理自反、一对多、多对一和多对多等复杂关系时存在局限性.鉴于此,文中提出一种改进的知识表示模型STransH,分别在实体空间和关系空间建模,并采用单层神经网络的非线性操作来加强实体和关系的语义联系.同时,受TransH模型的启发,引入投影到特定关系超平面的机制,使得实体在不同的关系中有不同的角色.在模型训练时,通过替换语义相似实体来提高生成负例的质量.最后,在公开的数据集FB15K和WN18上进行链接预测实验,分析和验证了所提方法的有效性.相比于TransE和TransH模型,STransH在各项性能指标上均取得了较大提升,其Hits@10和三元组分类准确率分别提高近10％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	向阳	同济大学电子与信息工程学院	88	1316	16.0	34.0
2	陈晓军	同济大学电子与信息工程学院	3	44	2.0	3.0