基于符号语义映射的知识图谱表示学习算法

被引：15
|
作者：
杨晓慧 [1 ,2 ]
万睿 [1 ]
张海滨 [1 ]
曾义夫 [1 ]
刘峤 [1 ]
机构：
[1] 电子科技大学信息与软件工程学院
[2] 中电科大数据研究院有限公司
来源：
计算机研究与发展 | 2018年 / 08期
关键词：
表示学习; 图嵌入学习; 推理; 链路预测; 多标签分类; 知识图谱;
D O I：
暂无
中图分类号：
TP18 [人工智能理论]; TP391.1 [文字信息处理];
学科分类号：
081104 ; 0812 ; 0835 ; 1405 ;
摘要：
图的分布式表示对于知识图谱的构建与应用任务至关重要.通过对当前流行的图表示学习模型进行比较,分析了现有模型存在的不合理之处,据此提出了一个基于符号语义映射的神经网络模型用于学习图的分布式表示,基本思想是依据知识图谱中已有的实体关系数据,采用循环神经网络对符号组合(实体-关系组合)进行语义编码,并将其映射到目标符号(实体)上.此外,通过为图中的每个关系类型引入一个逆关系镜像,解决了关系的非对称性问题,使模型能够适应多种不同类型的(同构或异构)网络的关系推理任务.该模型适用于大规模知识图谱的表示学习任务.在公开数据集上的实验结果表明,该模型在知识图谱扩容任务和基于图的多标签分类任务上的性能表现优于相关工作.
引用
收藏
页码：1773 / 1784
页数：12
相关论文
共 8 条
  • [1] 基于表示学习和语义要素感知的关系推理算法
    刘峤
    韩明皓
    杨晓慧
    刘瑶
    吴祖峰
    [J]. 计算机研究与发展, 2017, 54 (08) : 1682 - 1692
  • [2] 知识图谱构建技术综述
    刘峤
    李杨
    段宏
    刘瑶
    秦志光
    [J]. 计算机研究与发展, 2016, (03) : 582 - 600
  • [3] 知识表示学习研究进展
    刘知远
    孙茂松
    林衍凯
    谢若冰
    [J]. 计算机研究与发展, 2016, 53 (02) : 247 - 261
  • [4] A Review of Relational Machine Learning for Knowledge Graphs
    Nickel, Maximilian
    Murphy, Kevin
    Tresp, Volker
    Gabrilovich, Evgeniy
    [J]. PROCEEDINGS OF THE IEEE, 2016, 104 (01) : 11 - 33
  • [5] Representation Learning: A Review and New Perspectives
    Bengio, Yoshua
    Courville, Aaron
    Vincent, Pascal
    [J]. IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, 2013, 35 (08) : 1798 - 1828
  • [6] MATRIX FACTORIZATION TECHNIQUES FOR RECOMMENDER SYSTEMS
    Koren, Yehuda
    Bell, Robert
    Volinsky, Chris
    [J]. COMPUTER, 2009, 42 (08) : 30 - 37
  • [7] The symbol grounding problem[J] . Harnad Stevan.Physica D: Nonlinear Phenomena . 1990 (1-3)
  • [8] Springer .2 Garcia-Duran A,Bordes A,Usunier N. Springer . 2014
1