基于互逆和对称关系补全的知识图谱数据扩展方法

• 作者: 应坚超 徐晨鸥 杨柏林 蒲飞
• 来源期刊: 西南大学学报（自然科学版）
• 学科: 工学
• 关键词: 知识图谱 表示学习 互逆关系 对称关系 统计方法 数据扩展
• 年，卷（期）: 2020,（11）
• 所属期刊栏目: “大数据分析与智能计算方法” 专题
• 页码范围: 43-51
• 页数: 9页
• 分类号: TP391.1
• 语种: 中文
• DOI: 10.13718/j.cnki.xdzk.2020.11.005

摘要

知识图谱表示学习方法旨在将知识图谱的实体与关系表示为低维、稠密的向量,并用于高效的语义计算,在知识图谱的构建、融合以及其他方面发挥重要作用.传统的知识图谱表示学习模型通常考虑了知识图谱中已有的事实,而忽略了知识图谱中隐藏的语义信息,使得表示学习并不能充分地表达原知识图谱的信息.目前的数据增强知识图谱表示学习模型需要借助第三方工具或者大量人工干预,增强数据的可靠性与稳定性有待加强.该文基于集合论中所提出的互逆/对称关系概念,提出了关系统计扩展方法(Relationship Statistics Expansion,RSE)方法,即通过统计的方法从现有知识图谱中获取稳定且可靠的先验知识,将其用于数据集扩展.同时,利用先验知识对互逆关系的表示模长施加约束,更加符合语义逻辑.该研究分别在WN18,FB15K,WN11,NELL-995共4个常用数据集上进行链路预测任务来评价模型效果,采用了目前主流的4个具有代表性知识图谱表示学习模型T ransE,DistMult,RotatE,HAKE作为基准.结合该文提出的RSE方法后,RSE-TransE的MRR值分别提高了7.9％,12％,4.5％,7.2％;RSE-DistMult的MRR值分别提高了11.3％,5.8％,4.1％,1％;RSE-RotatE的MRR值分别提高了2.6％,6.7％,5.1％,1％;RSE-HAKE的MRR值分别提高了3.2％,4.5％,5.5％,11.3％.实验结果表明,该文提出的基于互逆和对称关系补全的知识图谱数据扩展方法可以挖掘知识图谱中隐含的语义信息,并且能显著提升传统的知识图谱表示学习模型在链路预测任务上的准确率和性能.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	杨柏林		15	48	4.0	6.0
2	应坚超		1	0	0.0	0.0
3	蒲飞		1	0	0.0	0.0
4	徐晨鸥		1	0	0.0	0.0