一种基于改进向量投影距离的知识图谱表示方法
表示学习在知识图谱推理中有着重要的研究价值,将知识库中的实体和关系用连续低维向量进行表示,可实现知识的可计算.基于向量投影距离的知识表示学习模型在面对复杂关系时有较好的知识表达能力,但在处理一对一简单关系时容易受到无关信息的干扰,并且在一对多、多对一和多对多等复杂关系上存在性能提升空间.为此,文中提出了一个基于改进向量投影距离的知识表示学习模型SProj E,该模型引入自适应度量方法,降低了噪声信息的影响.在此基础上,通过进一步优化损失函数来提高复杂关系三元组的损失权重.该模型适用于大规模知识图谱的表示学习任务.最后,在标准知识图谱数据集WN18和FB15K上分析和验证了所提方法的有效性,基于链路预测任务的评测实验结果表明,相较于现有的模型和方法,SProj E在各项性能指标上均取得了明显的进步.
知识图谱、表示学习、自适应度量、链路预测
47
TP391.1(计算技术、计算机技术)
国家自然科学基金项目61836007,61772354,61773276
2020-04-29(万方平台首次上网日期,不代表论文的发表时间)
共5页
189-193