基于贝叶斯网的开放世界知识图谱补全

知识图谱中实体所涉及的关系之间通常具有相互依赖的性质,基于这种依赖性可利用数据中的新实体来构造更多的三元组从而补全知识图谱。贝叶斯网(BN)是一种表示和推理变量之间相互依赖关系和不确定性知识的有效模型,将BN作为模型框架,研究基于BN的开放世界知识图谱补全方法。提出知识图谱中关系之间依赖性的表示模型构建方法,构建过程包括模型的基础结构构建和参数表计算,基于关系对实体的描述作用,根据描述作用强的关系决定描述作用弱的关系这一规则构建模型的基础结构。给出基于知识图谱中的三元组来抽取数据集的方法,采用最大似然估计法并利用模型的基础结构和数据集来计算模型的参数表。提出基于BN概率推理的三元组构造方法,将开放世界数据中包含新实体三元组的关系和尾实体作为证据,利用概率推理计算新实体与其他实体之间存在关系的条件概率,以此为依据构造与新实体相关的更多三元组,从而完善知识图谱。在FB15k和DBpedia数据集中分别进行三元组类型预测和链路预测实验,结果表明,该方法具有有效性,其预测召回率和MR值相比现有知识图谱补全方法均有明显提升。

基于相邻和语义亲和力的开放知识图谱表示学习

知识图谱(knowledge graph,KG)打破了不同场景下的数据隔离,为实际应用提供基础支持.表示学习将KG转换到低维向量空间来为KG应用提供便利.然而,KG的表示学习目前存在2个问题:1)假设KG满足闭合世界假设,要求所有实体在训练中可见.实际上,大多数KG都在快速增长,例如DBPedia平均每天产生200个新实体.2)采用矩阵映射、卷积等复杂的语义交互方式提高模型的准确性,这样做也限制了模型的可扩展性.为此,针对允许新实体存在的开放KG,提出一种表示学习方法TransNS.它选取相关的邻居作为实体的属性来推断新实体,并在学习阶段利用实体之间的语义亲和力选择负例三元组来增强语义交互能力.5个传统数据集和8个新数据集对比了TransNS与最经典的表示学习方法,结果表明:TransNS在开放KG上表现良好,甚至在基准闭合KG上优于现有模型.

面向链接预测的知识图谱嵌入研究综述

知识图谱在人工智能领域有着广泛的应用,如信息检索、自然语言处理、推荐系统等;然而,知识图谱的开放性往往意味着它们是不完备的,具有自身的缺陷;鉴于此,需建立更完整的知识图谱,以提高知识图谱的实际利用率;利用链接预测通过已有关系来推测新的关系,从而实现大规模知识库的补全;通过比较基于翻译模型的知识图谱链接预测模型,从常用数据集与评价指标、翻译模型、采样方法等方面分析了知识图谱链接预测模型的框架,并对基于知识图谱的链接预测模型进行了综述,可为大规模知识图谱嵌入提供简单高效的识别推理方法,增加下游人工智能控制应用任务的多样性。

开放互联世界中的小学教育——基于CiteSpace的文献计量分析

运用文献计量统计分析软件CiteSpace,以不同关键词检索所得中国知网CSSCI来源的相关文献为研究对象,采用信息可视化手段,对我国小学阶段教育现状进行分析。结果表明:信息技术已在我国小学阶段教学中全面应用,但基础研究缺乏,整合课程单一,制约了我国小学教育与开放互联世界中其他国家的接轨。