基于语义信息的大规模知识图谱补全算法

针对现有知识图谱补全算法中存在三元组复杂关系表示能力弱,缺失实体与实体关系三元组预测精度低的问题,提出一种基于改进Trans H算法与DSICNN算法相结合的知识图谱补全算法,提高了缺失三元组的预测精度。上述算法首先通过构建语义信息超平面Si提高Trans H算法性能;然后利用改进算法提取三元组偏导语义信息向量DSI,提高三元组复杂关系表示能力;接着将DSI链接后作为卷积神经网络的输入,通过卷积、池化与投影处理,构建DSICNN模型;最后利用损失函数迭代并用打分评价函数对构建的模型进行评价。链接预测实验与三元组分类实验表明,提出的DSICNN算法针对实体关系预测在MR、MRR以及Hits@10指标上均有着最高性能,且在FB15K-237和NELL-995大数量文本数据集中有着较好的表现,表明提出的算法在提高三元组预测精度降低了三元组复杂关系的表示能力,且可以用于大规模知识图谱补全。

基于知识图谱的多数据集成抽取方法仿真

在传统多数据知识的三元组实体关系抽取任务中,存在实体识别精度低下,实体关系抽取复杂度高、重叠率大、缺失数据多等问题。构建了一种基于双层注意力机制增强双特征的神经网络模型—BIO-VEC-DAM模型,提高了实体识别率,降低了实体关系抽取的复杂性与重叠率。BIO-VEC-DAM模型首先通过BIO标注法对多数据进行集成处理,减低数据冗杂,构建三元组的初始形态;然后利用改进BIO标注法提取三元组的位置特征,并采用WORD2Vec算法提取三元组的置信度特征;接着使用双层注意力机制增强位置特征与置信度特征,提高特征辨识度;最后将增强后的特征投入到神经网络模型中进行训练。实体关系抽取实验的仿真结果表明,BIO-VEC-DAM模型较传统模型与单一特征增强的CNN模型相比,准确率与召回率均有显著提升;且在实体识别任务中,经不同数据集的训练后,上述模型较其它模型相比,F1值平均提高了0.96%。所以,在三元组实体关系抽取任务中,构建的BIO-VEC-DAM模型性能更为优越。

图书馆21世纪创新发展的新路径

本文提出图书馆要在21世纪创新发展的思路和新路径。