一种融合主题特征的自适应知识表示方法

• 作者: 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 主题模型 变分自编码器 马氏距离
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: 人工智能与模式识别
• 页码范围: 87-93,100
• 页数: 8页
• 分类号: TP391.1
• 语种: 中文
• DOI: 10.19678/j.issn.1000-3428.0056688

摘要

基于翻译的表示学习模型TransE被提出后,研究者提出一系列模型对其进行改进和补充,如TransH、TransG、TransR等.然而,这类模型往往孤立学习三元组信息,忽略了实体和关系相关的描述文本和类别信息.基于主题特征构建TransATopic模型,在学习三元组的同时融合关系中的描述文本信息,以增强知识图谱的表示效果.采用基于主题模型和变分自编器的关系向量构建方法,根据关系上的主题分布信息将同一关系表示为不同的实值向量,同时将损失函数中的距离度量由欧式距离改进为马氏距离,从而实现向量不同维权重的自适应赋值.实验结果表明,在应用于链路预测和三元组分类等任务时,TransATopic模型的MeanRank、HITS@5和HITS@10指标较TransE模型均有显著改进.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈文杰	中国科学院国家科学图书馆	12	39	3.0	6.0