基于联合知识表示学习的多模态实体对齐

被引：18

作者：

王会勇

论兵

张晓明

孙晓领

机构：

[1] 不详

[2] 河北科技大学信息科学与工程学院

[3] 不详

来源：

控制与决策 | 2020年 / 12期

关键词：

多模态数据; 知识表示学习; 知识图谱; 多模态实体对齐; 翻译模型; 种子集合;

D O I：

10.13195/j.kzyjc.2019.0331

中图分类号：

G353.1 [情报资料的分析和研究]; TP391.1 [文字信息处理]; TP181 [自动推理、机器学习];

学科分类号：

摘要：

基于知识表示学习的实体对齐方法是将多个知识图谱嵌入到低维语义空间,通过计算实体向量之间的相似度实现对齐.现有方法往往关注文本信息而忽视图像信息,导致图像中实体特征信息未得到有效利用.对此,提出一种基于联合知识表示学习的多模态实体对齐方法(ITMEA).该方法联合多模态(图像、文本)数据,采用TransE与TransD相结合的知识表示学习模型,使多模态数据能够嵌入到统一低维语义空间.在低维语义空间中迭代地学习已对齐多模态实体之间的关系,从而实现多模态数据的实体对齐.实验结果表明, ITMEA在WN18-IMG数据集中能够较好地实现多模态实体对齐.

引用

页码：2855 / 2864

页数：10

共 7 条

[1] 基于网络语义标签的多源知识库实体对齐算法
王雪鹏
刘康
何世柱
刘树林
张元哲
赵军
[J]. 计算机学报, 2017, 40 (03) : 701 - 711
[2] 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, (02) : 247 - 261
[3] 知识图谱[M]. 高等教育出版社 , 赵军, 2018
[4] Representation Learning over Multiple Knowledge Graphs for Knowledge Graphs Alignment[J] . Wenqiang Liu,Jun Liu,Mengmeng Wu,Samar Abbas,Wei Hu,Bifan Wei,Qinghua Zheng. Neurocomputing . 2018
[5] DBpedia – A large-scale, multilingual knowledge base extracted from Wikipedia[J] . Jens Lehmann,Robert Isele,Max Jakob,Anja Jentzsch,Dimitris Kontokostas,Pablo N. Mendes,Sebastian Hellmann,Mohamed Morsey,Patrick van Kleef,S&ouml,ren Auer,Christian Bizer. Semantic Web . 2015 (2)
[6] WordNet[J] . George A. Miller. Communications of the ACM . 1995 (11)
[7] Anovel embedding model for knowledge base completion based on convolutional neural network .2 Nguyen D Q,Nguyen T D,Nguyen D Q,et al. Proceedings of the 16th Annual Conference of the North American Chapter of the Association for Computational Linguistics:Human Language Technologies . 2018

← 1 →