一种改进的基于TransE知识图谱表示方法

• 作者: 张鑫 文奕 杨宁 赵爽 陈文杰
• 来源期刊: 计算机工程
• 学科: 工学
• 关键词: 知识图谱 表示学习 TransE模型 链路预测 神经网络
• 年，卷（期）: 2020,（5）
• 所属期刊栏目: 人工智能与模式识别
• 页码范围: 63-69,77
• 页数: 8页
• 分类号: TP391
• 字数: 6929字
• 语种: 中文
• DOI: 10.19678/j.issn.1000-3428.0054196

摘要

传统基于翻译模型的知识图谱表示方法难以处理一对多、多对一和多对多等复杂关系,而且通常独立地学习三元组而忽略了知识图谱的网络结构和语义信息.为解决该问题,构建一种基于TransE的TransGraph模型,该模型同时学习三元组和知识图谱网络结构特征,以有效增强知识图谱的表示效果.在此基础上,提出一种向量共享的交叉训练机制,从而实现网络结构信息和三元组信息的深度融合.在公开数据集上的实验结果表明,相比TransE模型,TransGraph模型在链路预测和三元组分类2个任务中的HITS@10、准确率指标均得到显著提升.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	杨宁	中国科学院成都文献情报中心	52	353	10.0	17.0
2	张鑫	中国科学院成都文献情报中心	91	589	11.0	20.0
3	陈文杰	中国科学院成都文献情报中心	12	39	3.0	6.0
4	赵爽	中国科学院成都文献情报中心	16	25	3.0	4.0
5	文奕	中国科学院成都文献情报中心	19	72	5.0	8.0