基于噪声检测的多语言知识图谱实体对齐技术研究

针对在实体对齐任务中,由于缺少噪音实体对的标记,导致对齐准确率不高的问题,提出采用健壮性实体对齐(Robust Entity Alignment,REA)方法,设计了噪声感知实体对齐模块和噪声检测模块.首先,噪声感知实体对齐模块是基于图卷积神经网络(Graph Convolutional Networks,GCN)的知识图编码器,将知识图谱中的实体对更新嵌入;然后,基于生成对抗网络(Generative Adversarial Networks,GAN)设计了噪声生成器和噪声鉴别器,从而将实体对中的噪音实体对区分出来;最后,通过一种交互的强化训练策略,迭代使噪声感知和实体对齐相结合.实验结果表明,在DBP15K数据集上测试,新方法能有效提高在涉及噪音情况下的实体对齐精准度,与GCN-Align和IPTransE这些基准嵌入模型相比,Hits@1、Hits@5、MRR3个评价指标上均有较大的提升.

基于机器阅读理解的生活情景常识预测

机器学习研究的长期目标是产生适用于推理和自然语言的方法,建立智能对话系统。本实验通过回答日常生活的事件的问答问题来评估阅读理解,使用Facebook AI的BABI tasks中的四种类型数据完成模型训练,采用数字编码稀疏交叉熵损失函数对RNN模型、LSTM模型和BERT模型参数进行设置,采用多分类单标签的categorical_accuracy函数作为评价度量,预测样本数据集中的正确数量。实验结果表明,在RNN模型预测答案的准确率明显高于LSTM和BERT模型。

基于邻域聚合的协同过滤推荐模型

用户和待预测物的嵌入表示是推荐系统的核心,这种嵌入一般通过映射的方式获得,然而上述方法不能有效地利用到用户交互的协作信号,因此生成的嵌入不能很好地发挥协同过滤的效果。为了解决这个问题,本文研究了基于邻域聚合的协同过滤(NACF)模型的方法,该方法将用户交互集成到嵌入中,再利用嵌入传播将协作信号以高阶连通性的形式编码。最后该模型与贝叶斯个性化排序的矩阵分解(BPRMF)和图神经网络协同过滤(NGCF)在MovieLens数据集上的实验结果表明,本文的方法取得的效果更加优越。