规则引导的知识图谱联合嵌入方法

姚思雨; 赵天哲; 王瑞杰; 刘均

doi:10.7544/issn1000-1239.2020.20200741

规则引导的知识图谱联合嵌入方法

姚思雨^1,2,
赵天哲^1,2,
王瑞杰^1,2,3,
刘均^1,2

¹(西安交通大学计算机科学与技术学院西安 710049)
²(陕西省天地网技术重点实验室(西安交通大学) 西安 710049)
³(苏黎世大学计算机科学系瑞士 8050) (cheryl@stu.xjtu.edu.cn)

基金项目: 国家重点研发计划项目(2018YFB1004500)；国家自然科学基金项目(61672419,61672418,61877050,61937001)；中国工程院咨询研究项目；国家自然科学基金创新研究群体(61721002)；教育部创新团队(IRT_17R86)；中国工程科技知识中心项目

详细信息

中图分类号: TP391
计量
- 文章访问数: 1371
- HTML全文浏览量: 12
- PDF下载量: 723
出版历程
- 发布日期: 2020-11-30

Rule-Guided Joint Embedding Learning of Knowledge Graphs

Yao Siyu^1,2,
Zhao Tianzhe^1,2,
Wang Ruijie^1,2,3,
Liu Jun^1,2

¹(College of Computer Science and Technology, Xi’an Jiaotong University, Xi’an 710049)
²(Shaanxi Key Laboratory of STN Technology R&D (Xi’an Jiaotong University), Xi’an 710049)
³(Department of Informatics, University of Zurich, Switzerland 8050)

Funds: This work was supported by the National Key Research and Development Program of China (2018YFB1004500), the National Natural Science Foundation of China (61672419, 61672418, 61877050, 61937001), the Consulting Research Project of Chinese Academy of Engineering, the Innovative Research Group Project of the National Natural Science Foundation of China (61721002), the Ministry of Education Innovation Research Team (IRT_17R86), and the Project of China Knowledge Centre for Engineering Science and Technology.

摘要

摘要: 近年来，大量研究工作致力于知识图谱的嵌入学习，旨在将知识图谱中的实体与关系映射到低维连续的向量空间中.且所学习到的嵌入表示已被成功用于缓解大规模知识图谱的计算效率低下问题.然而，大多数现有嵌入学习模型仅考虑知识图谱的结构信息.知识图谱中还包含有丰富的上下文信息和文本信息，它们也可被用于学习更准确的嵌入表示.针对这一问题，提出了一种规则引导的知识图谱联合嵌入学习模型，基于图卷积网络，将上下文信息与文本信息融合到实体与关系的嵌入表示中.特别是针对上下文信息的卷积编码，通过计算单条上下文信息的置信度与关联度来度量其重要程度.对于置信度，定义了一个简单有效的规则并依据该规则进行计算.对于关联度，提出了一种基于文本表示的计算方法.最后，在2个基准数据集上进行的实验结果证明了模型的有效性.
- 知识图谱 /
- 表示学习 /
- 图卷积网络 /
- 上下文信息 /
- 文本信息
Abstract: In recent years, numerous research works have been devoted to knowledge graph embedding learning which aims to encode entities and relations of the knowledge graph in continuous low-dimensional vector spaces. And the learned embedding representations have been successfully utilized to alleviate the computational inefficiency problem of large-scale knowledge graphs. However, most existing embedding models only consider the structural information of the knowledge graph. The contextual information and literal information are also abundantly contained in knowledge graphs and could be exploited to learn better embedding representations. In this paper, we focus on this problem and propose a rule-guided joint embedding learning model which integrates the contextual information and literal information into the embedding representations of entities and relations based on graph convolutional networks. Especially for the convolutional encoding of the contextual information, we measure the importance of a piece of contextual information by computing its confidence and relatedness metrics. For the confidence metric, we define a simple and effective rule and propose a rule-guided computing method. For the relatedness metric, we propose a computing method based on the representations of the literal information. We conduct extensive experiments on two benchmark datasets, and the experimental results demonstrate the effectiveness of the proposed model.
- knowledge graph /
- representation learning /
- graph convolutional networks /
- contextual information /
- literal information

HTML全文

参考文献(0)

施引文献(27)

期刊类型引用(12)

1.	杨兴耀，肖瑞，卢进堂. 新疆维吾尔语口音普通话短文的语音识别研究. 东北师大学报(自然科学版). 2024(04): 72-80 . 百度学术
2.	闫凯，宋烨，刘瑜，杨莉，张浩源. 老龄化背景下居家养老系统方言识别算法应用研究——以粤语为例. 信息与电脑(理论版). 2023(02): 120-122 . 百度学术
3.	蒋若怡，韦永壮，王慧娇. 基于深度学习的差分神经区分器求解方法. 计算机工程与设计. 2023(06): 1629-1634 . 百度学术
4.	赵建川，杨浩铨，徐勇，吴恋，崔忠伟. 基于对比预测编码模型的多任务学习语种识别方法. 数据采集与处理. 2022(02): 288-297 . 百度学术
5.	万苗，任杰，马苗，曹瑞. 多任务学习在中国方言分类中的应用研究. 计算机技术与发展. 2022(04): 109-115 . 百度学术
6.	郝焕香. 基于深度学习的方言语音识别模型构建. 自动化与仪器仪表. 2022(04): 48-51 . 百度学术
7.	王瑶，龙华，邵玉斌，杜庆治. 可变时长的短时广播语音多语种识别. 云南大学学报(自然科学版). 2022(03): 490-496 . 百度学术
8.	付英，刘增力，汤辉. 基于CNN-BiGRU的方言语种识别. 通信技术. 2022(06): 712-719 . 百度学术
9.	王瑶，龙华，邵玉斌，杜庆治，王延凯. 基于CRNN混合神经网络的多语种识别. 光电子·激光. 2022(06): 620-628 . 百度学术
10.	张允耀，黄鹤鸣，张会云. 复杂噪声环境下语音识别研究. 计算机与现代化. 2021(09): 68-74 . 百度学术
11.	辛强伟，唐云凯. 多维度数据组合的人工智能系统性能优化分析. 数字技术与应用. 2020(10): 36-38 . 百度学术
14.	顾佳，黄明，关岳. 高速列车牵引变流器故障诊断研究. 振动.测试与诊断. 2020(05): 997-1002+1029 . 百度学术