基于实体描述和关系图卷积神经网络的实体分类研究

• 作者: 何雅芳 刘兴林 崔岩 郑小柏
• 来源期刊: 计算机科学与应用
• 学科: 工学
• 关键词: 实体分类 知识图谱 实体描述 关系图卷积神经网络
• 年，卷（期）: jsjkxyyy_2020,（7）
• 页码范围: 1319-1326
• 页数: 8页
• 分类号: TP3

摘要

随着大数据时代的来临,人工智能快速发展,知识图谱已经在垂直搜索和智能问答等领域中发挥着重要的作用。但是,即使是全世界上最大的知识图谱也仍然不完整,所以知识推理一直是知识图谱的研究热点之一。本文提出了一个融合实体描述和关系图卷积神经网络(R-GCN)的模型(DR-GCN),并将其应用于知识推理中的标准任务:实体分类(Entity Classification),即缺失实体属性的恢复。R-GCN是根据图卷积神经网络(GCN),专门针对实际知识图谱的高度多元关系数据特征而开发的一类图卷积神经网络。本文研究的DR-GCN模型,该模型充分利用了知识图谱中的关系类型、关系方向、实体自循环、实体描述等信息进行实体分类。本文对DR-GCN模型进行了彻底的评估,并与已建立的基线进行了比较。实验表明,DR-GCN模型的实验结果比现有的基线有所提高,在AIFB和BGS数据集上,DR-GCN模型的准确率分别比基线中准确率最高的G-GAT和RDF2Vec模型的96.19%和87.24%高0.24%和0.35%,验证了改进后的模型效果更佳。