一种改进的基于TransE知识图谱表示方法

传统基于翻译模型的知识图谱表示方法难以处理一对多、多对一和多对多等复杂关系,而且通常独立地学习三元组而忽略了知识图谱的网络结构和语义信息。为解决该问题,构建一种基于TransE的TransGraph模型,该模型同时学习三元组和知识图谱网络结构特征,以有效增强知识图谱的表示效果。在此基础上,提出一种向量共享的交叉训练机制,从而实现网络结构信息和三元组信息的深度融合。在公开数据集上的实验结果表明,相比TransE模型,TransGraph模型在链路预测和三元组分类2个任务中的HITS@10、准确率指标均得到显著提升。

基于TransE的表示学习方法研究综述

为了及时了解基于TransE的表示学习方法的最新研究进展,通过归纳与整理,将基于TransE的表示学习方法分为基于复杂关系、基于关系路径、基于图像信息以及基于其他方面的方法四种类型。对每一种方法的设计思路、优缺点等进行了详细的分析,同时对基于TransE的表示学习方法的公共数据集与评价指标进行了对比、总结,对各种基于TransE的表示学习算法在实验中的表现进行了对比分析。从研究结果来看,PaSKoGE、NTransGH、TCE、TransD方法在进行链接预测和三元组分类任务上表现效果最好,值得推广和进一步拓展,并可在其特定于路径的嵌入、两层神经网络、三元组上下文、动态构造映射矩阵上进一步完善。

基于知识图谱与协同过滤的个性化试题推荐

当前,传统协同过滤的试题推荐仅考虑了用户的做题数据,忽略了试题背后的知识点信息。为此,提出一种基于知识图谱与协同过滤的个性化试题推荐算法(KGeP-CF)。首先,构建知识图谱存储知识点关系。然后,使用TransE模型学习知识点实体的向量表示,使用余弦相似度计算知识点相似度,提取知识点间的相关性,并将其应用于计算试题相似度得到综合试题相似度。最后,结合用户知识点掌握情况推荐用户个性化试题。实验表明,该方法在课程试题推荐上表现出良好的推荐性能,相较于多种推荐算法,KGeP-CF算法推荐性能更优,对其他应用场景也具有一定的参考价值。

基于图卷积神经网络的石油数据资产知识图谱实体对齐方法

在石油数据资产知识图谱融合过程中存在命名规则差异性大、专业性强和特殊语义问题。提出基于图卷积神经网络的石油数据资产知识图谱(KG)实体对齐方法,给定一组预先对齐的实体种子,采用Graph Convolutional Networks(GCNS)网络学习实体结构和属性信息嵌入统一向量空间,计算空间中实体之间距离;在石油数据资产数据集中对两个KGs进行实体对齐实验。结果表明:基于GCN融合实体关系和属性的嵌入模型优于基于实体关系的TransE实体对齐模型,Hits@1最高为16.96%,比TransE实体对齐模型平均提升6.18%。基于图卷积神经网络的融合实体关系、属性和属性值的实体对齐方法适用于石油数据资产知识管理。

基于改进知识推理的联合打击目标关联推荐

联合作战指挥中,如何针对指挥员的选定打击目标,由指挥系统后台智能推荐符合指挥员倾向意图的关联目标,是亟待解决的实际问题。利用目标实体之间的隶属关系,构造符合战场信息传播原则的多元实体及关系集,引入知识图谱推理的向量优化技术补全目标超网络的隐藏关系,进而构建打击目标超网络体系并实现打击目标的关联推荐。最后通过仿真实验对比分析了改进方法与常规超网络分析方法的异同,探讨了方法的正确性和优越性。方法并未使用专家主观评分法,用知识推理取得了和其他同类方法相似的体系价值评分结果,在智能化的目标关联推荐和作战辅助决策中具有较好的应用前景。

基于知识图谱嵌入和补全的电梯故障预测

为及早预测电梯发生的常见故障,提高电梯设备的维保质量和效率,提出基于规则推理、知识图谱嵌入技术和知识图谱补全技术实现电梯故障预测的方法,在构建电梯故障知识图谱后,通过改进的组合模型将三元组中的实体和关系训练为连续的低维向量空间,实现三元组对于故障预测相关运算的兼容,通过组合模型实现电梯实体、关系和故障实体三元组的预测。电梯故障预测实验经知识图谱的构建、TransE模型向量化,以及ProjE模型训练及测试,验证了提出的电梯故障预测方法的有效性。

基于知识图谱的中医药知识推理研究

随着互联网技术的广泛应用,中医药行业领域数据规模呈指数型增长,如何从中筛选出有用的知识并有效组织和表达备受关注。知识图谱由此而生,基于知识图谱的知识推理成为研究的热点之一。本文首先简要介绍知识图谱和知识推理的发展及探讨知识推理的意义。其次,介绍主流的知识推理方法分类,包括基于传统规则的推理、基于分布式特征表示的推理、基于神经网络的推理。再以脑卒中疾病为实例,对知识推理方法进行阐述,总结常用知识推理方法的原理及特点,并梳理近些年知识推理技术在中医药领域的研究与应用。最后,总结中医药知识推理发展所面临的问题,提出构建适合中医药领域的知识推理模型的重要性。