基于卷积神经网络的高效知识表示模型

• 作者: 李少杰 欧阳小叶 郝悦星 陈曙东 龚立晨
• 来源期刊: 高技术通讯
• 关键词: 知识图谱 知识表示 卷积神经网络(CNN) 知识补全 维度变换 信息交互
• 年，卷（期）: 2020,（9）
• 所属期刊栏目: 计算机与通信技术
• 页码范围: 901-907
• 页数: 7页
• 语种: 中文
• DOI: 10.3772/j.issn.1002-0470.2020.09.004

摘要

为提升知识表示的有效性和可靠性,提出一种基于卷积神经网络(CNN)的知识表示模型(ConvKE).ConvKE采用维度变换策略来提升卷积滑动窗口在三元组矩阵上的滑动步数以及三元组内实体和关系在更多维度上的信息交互能力.ConvKE还通过2-D卷积滑动窗口提升感受野来捕获三元组更多维度上的整体信息.通过采用知识补全任务来评估ConvKE模型的效果,实验结果证明了ConvKE在2个基准数据集WN18 RR、FB15K-237的平均排名(MR)指标上取得了较好的结果.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈曙东	中国科学院微电子研究所	8	16	2.0	4.0
2	李少杰	中国科学院微电子研究所	8	21	2.0	4.0
3	郝悦星	中国科学院微电子研究所	1	0	0.0	0.0
4	欧阳小叶	中国科学院微电子研究所	2	0	0.0	0.0
5	龚立晨	中国科学院微电子研究所	1	0	0.0	0.0