一种融合实体关联性约束的表示学习方法

• 作者: 刘琼昕 郑培雄 马敬
• 来源期刊: 北京理工大学学报
• 学科: 工学
• 关键词: 知识图谱 表示学习 关联性 辅助约束
• 年，卷（期）: 2020,（1）
• 所属期刊栏目: 信息与控制
• 页码范围: 90-97
• 页数: 8页
• 分类号: TP391
• 字数: 7123字
• 语种: 中文
• DOI: 10.15918/j.tbit1001-0645.2018.039

摘要

知识图谱的表示学习方法将实体和关系嵌入到低维连续空间中,从而挖掘出实体间的隐含联系.传统的表示学习方法多基于知识图谱的结构化信息,没有充分利用实体的描述文本信息.目前基于文本的表示学习方法多将文本向量化,忽略了文本中实体间的语义关联.针对上述缺点提出一种利用实体描述文本进行增强学习的方法,基于文本挖掘出关联性实体并对关联性进行分级,将关联性作为辅助约束融合到知识图谱的表示学习中.实验结果表明,该辅助约束能明显提升推理效果,优于传统的结构化学习模型以及基于深度学习的文本和结构的联合表示模型.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘琼昕		11	52	4.0	7.0
5	马敬	北京理工大学计算机学院	2	0	0.0	0.0
6	郑培雄	哈尔滨工程大学计算机学院	2	0	0.0	0.0