电力客服知识图谱的改进研究与模型构建

被引：12

作者：

王楚 ^{[1
,2
]}

王忠锋 ^{[1
,2
]}

李力刚 ^{[1
,2
]}

徐志远 ^{[1
,2
]}

田世明 ^{[3
]}

潘明明 ^{[3
]}

机构：

[1] 中国科学院沈阳自动化研究所

[2] 中国科学院机器人与智能制造创新研究院

[3] 中国电力科学研究院有限公司

来源：

供用电 | 2020年 / 37卷 / 06期

关键词：

知识图谱; 模糊理论; TransF; 深度学习; 翻译模型;

D O I：

10.19421/j.cnki.1006-6357.2020.06.001

中图分类号：

TM73 [电力系统的调度、管理、通信]; G353.1 [情报资料的分析和研究];

学科分类号：

120103 [信息系统与信息管理]; 120502 [情报学];

摘要：

随着知识图谱在电力服务领域的应用愈加广泛和必要,越来越多的研究者对其进行了深入的研究。其中,基于深度学习的TransE的方法逐渐受到大家的青睐,所以针对其的改进方法也越来越多,例如TransH、TransR/CtransR和TransD等,这些方法均针对"TransE无法解决一对多"等问题,提出了"将TransE模型投影到其他空间"的各种方法。借鉴这些方法的优势,提出了一种基于模糊理论和现有基于深度学习的翻译模型相结合的方法——TransF。在TransF中,为每个元素分别构建两个模糊向量,分别用于构建实体和构建模糊映射,将头尾实体分别映射到与关系构成的模糊空间中。实验结果表明,该方法在训练数据集不大的情况下具有明显优势,并且更符合人类逻辑和实用性的需要。

引用

页码：3 / 8

页数：6

共 4 条

[1]

知识图谱的技术实现流程及相关应用 [J].

曹倩 ;

赵一鸣 .

情报理论与实践, 2015, 38 (12) :127-132

[2]

A semantic matching energy function for learning with multi-relational data.[J].Antoine Bordes;Xavier Glorot;Jason Weston;Yoshua Bengio.Machine Learning.2014, 2

[3]

Efficient Estimation of Word Representations in Vector Space.[J].Tomas Mikolov;Kai Chen 0010;Greg Corrado;Jeffrey Dean.CoRR.2013,

[4]

An introduction to bipolar representations of information and preference [J].

Dubois, Didier ;

Prade, Henri .

INTERNATIONAL JOURNAL OF INTELLIGENT SYSTEMS, 2008, 23 (08) :866-877

← 1 →