基于多跳路径的知识库补全

为了对知识库(KBs)进行补全,提出一种新的基于路径的推理方法,使用注意力机制,将实体与其类型相结合,共同对路径中的实体进行表示,并使用注意力机制对每条路径预测的关系向量与给定关系的表示向量之差的绝对值进行汇总来计算模型的置信度。在基准数据集WN18RR和FB15k-237上的实验结果表明,与现有的基于路径的关系推理方法相比,所提方法具有更好的性能。

基于张量分解的知识超图链接预测模型

知识超图包含了现实世界中的事实,并给出这些事实的结构化表示.但知识超图无法包括所有事实,所以其是高度不完整的.链接预测方法致力于根据现有实体间链接推理缺失链接,因此广泛应用于知识库补全.目前大多数研究集中于二元关系知识图谱的补全.然而,现实世界中实体间的关系通常是非二元的,即关系中涉及的实体通常多于2个.相较于知识图谱,知识超图能够以一种灵活且自然的方式来表示这些复杂的多元关系.对此,设计一个基于张量分解的知识超图链接预测模型Typer,显式地为不同关系以及不同位置上实体的角色建模,并对关系进行细化分解以提升模型性能.同时,考虑到促进实体与关系间的信息流动有助于学习实体和关系的嵌入表示,提出窗口的概念,以增加实体与关系的交互.此外,证明了Typer模型具有完全表达性,并给出了使模型具有完全表达性的嵌入表示维度边界.在多个公开真实知识超图数据集上进行了详实的实验,实验表明Typer模型能有效解决知识超图链接预测问题,并在所有数据集上取得了较其他方法更好的结果.

大规模知识图谱补全技术的研究进展

随着谷歌知识图谱、DBpedia、微软Concept Graph、YAGO等众多知识图谱的不断出现,根据RDF来构建的知识表达体系越来越为人们所熟知.利用RDF三元组表达形式成为人们对现实世界中知识的基本描述方式,由于其结构简单、逻辑清晰,所以易于理解和实现,但也因为如此,当其面对现实中无比繁杂的知识和很多常识时,往往也无法做到对知识的认识面面俱到,知识图谱的构建过程注定会使其中包含的知识不具有完整性,即知识库无法包含全部的已知知识.此时知识库补全技术在应对此种情形时就显得尤为重要,任何现有的知识图谱都需要通过补全来不断完善知识本身,甚至可以推理出新的知识.本文从知识图谱构建过程出发,将知识图谱补全问题分为概念补全和实例补全两个层次:(1)概念补全层次主要针对实体类型补全问题,按照基于描述逻辑的逻辑推理机制、基于传统机器学习的类型推理机制和基于表示学习的类型推理机制等3个发展阶段展开描述;(2)实例补全层次又可以分为RDF三元组补全和新实例发现两个方面,本文主要针对RDF三元组补全问题沿着统计关系学习、基于随机游走的概率学习和知识表示学习等发展阶段来阐述实体补全或关系补全的方法.通过对以上大规模知识图谱补全技术研究历程、发展现状和最新进展的回顾与探讨,最后提出了未来该技术需要应对的挑战和相关方向的发展前景.