结合卷积特征提取和路径语义的知识推理

• 作者: 陈新元 谢晟祎 陈庆强 刘羽
• 来源期刊: 智能系统学报
• 关键词: 知识图谱 知识推理 嵌入表示 路径信息 卷积神经网络 长短期记忆网络 注意力机制 链路预测
• 年，卷（期）: 2021,（4）
• 所属期刊栏目: 知识工程|Knowledge Engineering
• 页码范围: 729-738
• 页数: 10页
• 分类号: TP391
• 语种: 中文
• DOI: 10.11992/tis.202008007

摘要

传统特征提取方法大多基于嵌入表达,常忽略了路径语义;基于关系路径的推理方法多考虑单一路径,性能仍有提升空间.为进一步提升知识推理能力,使用自定义的卷积神经网络框架编码随机游走生成的多条路径,利用双向长短期记忆网络的隐藏状态合并向量序列,结合注意力机制实现差异化的多路径语义信息集成,计算候选关系与实体对的概率得分,用于判断三元组是否成立.NELL995和FB15k-237数据集上的链路预测结果证明方案可行,F1等指标相比主流模型也有一定优势;进一步在大型数据集和稀疏数据集上验证方案可行.