一种结合路径信息和嵌入模型的知识推理方法

被引：9

作者：

陈海旭 ^{[1
]}

周强 ^{[1
,2
]}

刘学军 ^{[1
]}

机构：

[1] 南京工业大学计算机科学与技术学院

[2] 南京锅炉压力容器检验研究院

来源：

小型微型计算机系统 | 2020年 / 41卷 / 06期

基金：

国家重点研发计划;

关键词：

知识图谱; 嵌入模型; 路径推理; 知识推理;

D O I：

暂无

中图分类号：

G353.1 [情报资料的分析和研究]; TP181 [自动推理、机器学习];

学科分类号：

摘要：

知识图谱的嵌入和路径知识推理都是知识推理研究的重要方向,近年来,出现了一些将这两种方法相结合的知识推理算法,性能比起原有的算法有了很大提高.然而,这些算法大多是用求加权平均值的方法将路径信息纳入评分,忽略了在特殊情况下某些关键路径对推理结果的决定性影响.针对这个问题,提出了一种新的将知识图谱的嵌入和路径知识推理相结合的算法PSTransE,引入了概率学的方法,用路径和关系的向量相似性来代替由路径推理出关系的概率,反向求出由所有路径都推理不出目标关系的概率进而得到能够推理出目标关系的概率.在综合考虑所有相关路径信息的同时,使得关键路径能够直接确定推理结果.实验表明,PSTransE比原有算法有了明显的提高.

引用

页码：1147 / 1151

页数：5

共 4 条

[1] 路径张量分解的知识图谱推理算法
吴运兵
朱丹红
廖祥文
张栋
林开标
[J]. 模式识别与人工智能, 2017, 30 (05) : 473 - 480
[2] Path-specific knowledge graph embedding [J] . Yantao Jia,Yuanzhuo Wang,Xiaolong Jin,Xueqi Cheng.&nbsp&nbspKnowledge-Based Systems . 2018
[3] Relational retrieval using a combination of path-constrained random walks
Lao, Ni
Cohen, William W.
[J]. MACHINE LEARNING, 2010, 81 (01) : 53 - 67
[4] WordNet [J] . George A. Miller.&nbsp&nbspCommunications of the ACM . 1995 (11)

← 1 →