基于HARP框架的农业知识图谱表示模型研究

[目的/意义]随着农业知识图谱数据规模的增长,图谱的节点和关系复杂度不断提升,这对其训练和表示提出了新的挑战。在此背景下,探索如何在保全知识图谱结构的同时降低资源消耗并加快嵌入速度具有重要的研究和应用意义。[方法/过程]针对这一问题,本研究提出了一种基于HARP框架的农业知识图谱层次表示模型。该模型利用农业知识图谱的层次性特征,采用一种改进的基于关系路径随机行走策略,有效地保留了图谱中节点的层次性和非对称关系结构。[结果/结论]1)与HARP框架相比,使用LEIDEN的HRWP模型能更好地保留空间结构,并快速收敛了速度;2)采用HRWP的融合模型训练时间基本小于二者训练时间总和,且对原算法时间复杂度影响较小;3)结合HRWP的传统算法各指标平均提高2%,非神经网络模型有显著提升。综上,认为模型可以准确表示农业知识图谱并有效缩短训练时间。