解纠缠邻域信息聚合的知识图谱补全方法

针对现有基于图神经网络的知识补全模型在处理知识图谱异构性上的不足,及大部分模型采用单一静态实体表示方式导致的模型表达能力受限问题,提出一种基于图注意力网络的解纠缠邻域信息聚合模型。首先,该模型通过学习每个实体的解纠缠表示,对实体的潜在影响因子进行多组件表示。其次,利用注意力机制,为两个相连的实体选择最具影响力的潜在影响因子作为连接要素。接着,通过关系感知注意力机制自适应地聚合实体因子级的邻域消息,有效地减少了在信息聚合过程中不相关信息的相互干扰,进而显著增强了模型的语义表达能力。此外,为了使模型在评分过程中关注与给定关系最相关的实体组件,进一步引入了一个自适应评分系数,使模型能够自适应地感知给定的关系与实体不同组件的关联度。实验结果显示,提出的模型在WN18RR和FB15K-237数据集的知识图谱补全任务上相较其他先进基线模型表现更优,并显著地增强了模型的表达能力。     

基于邻域聚合的实体对齐方法

实体对齐旨在判断来自不同知识图谱的实体是否为指向真实世界的同一个对象。然而,知识图谱间的结构异质性往往会影响实体对齐的准确性。提出一种基于邻域聚合匹配网络（NAMN）模型的实体对齐方法。根据每跳邻居对中心实体重要性不同的特点,采用分层的思想区别处理每跳邻域信息,通过门控机制进行聚合以学习图结构的表征。在此基础上,为每个实体构建邻域局部子图进行跨图邻域匹配,并将匹配阶段的输出与通过门控机制所学习到的图结构表征进行联合编码,生成最终面向匹配的表征。采用DBP15K数据集进行实验,结果显示,Hits@1的所有值均在75%以上,Hits@10的所有值均在85%以上,最高可达到97%,平均倒数排名均高于80%,表明NAMN模型能够有效提高实体的匹配准确度。     

邻域信息分层感知的知识图谱补全方法

知识图谱补全(KGC)旨在利用知识图谱的现有知识推断三元组的缺失值.近期的一些研究表明,将图卷积网络(GCN)应用于KGC任务有助于改善模型的推理性能.针对目前大多数GCN模型存在的同等对待邻域信息、忽略了邻接实体对中心实体的不同贡献度、采用简单的线性变换更新关系嵌入等问题,提出了一个邻域信息分层感知的图神经网络模型NAHAT,在关系更新中引入实体特征信息,通过聚合实体和关系表征来丰富异质关系语义,提高模型的表达能力.同时,将自我对立的负样本训练应用到损失计算中,实现模型的高效训练.实验结果表明,与图卷积网络模型COMPGCN相比,所提出的模型在FB15K-237数据集上Hits@1、Hits@10指标分别提高了3%、2.6%;在WN18RR数据集上分别提高了0.9%、2.2%.验证了所提出的模型的有效性.     

基于半边原理的知识图谱补全

针对现有知识图谱补全算法耗时长和准确性差的问题,构建一种基于半边的多层卷积模型.通过引入半边原理,运用实体的描述信息和关系自身的特性,结合两者的语义相似度对关系所连接的头尾实体进行约束,组成半边,在此基础上使用卷积神经网络进行知识图谱补全.该模型将只含有一个实体和关系的不完全RDF三元组以半边的形式保存,便于补全扩充的...     

基于双层图注意力网络的邻域信息聚合实体对齐方法

针对知识图谱中存在部分属性信息对实体对齐任务影响程度不一致以及实体的邻域信息重要程度不一致的问题,提出了一种结合双层图注意力网络的邻域信息聚合实体对齐(two-layer graph attention network entity alignment, TGAEA)方法。该方法采用双层图神经网络,首先利用第一层网络对实体属性进行注意力系数计算,降低无用属性对实体对齐的影响;随后,结合第二层网络对实体名称、关系和结构等信息进行特征加权,以区分实体邻域信息的重要性;最后,借助自举方法扩充种子实体对,并结合邻域信息相似度矩阵进行实体距离度量。实验表明,在DWY100K数据集上,TGAEA模型相较于当前基线模型,hit@1、hit@10和MRR指标分别提升了4.18%、4.81%和5%,证明了双层图注意力网络在邻域信息聚合实体对齐方面的显著效果。     

融合元图邻域的知识图谱推荐模型

基于知识图谱的主流推荐模型在融合高阶信息时较少考虑源节点与目标节点之间的关系,在复杂网络场景中易引入过多噪声信息进而影响推荐性能。针对此问题提出一种融合元图邻域的知识图谱推荐模型,通过构建并融合元图邻域降低噪声信息的影响,提升推荐性能。首先,基于元图相似度生成源节点的初始相似序列,利用自注意力网络与线性网络对初始序列进行特征增强,以增强后的特征向量组成的集合构造节点的元图邻域。其次,基于用户对各个元图的不同偏好程度设计注意力机制,对所得元图邻域进行卷积聚合,将元图邻域融入源节点,增强源节点的特征表示。最后,以增强后的向量与用户向量的内积作为用户与项目交互的概率,并以此完成推荐。在MovieLens-20M与Last-FM数据集上进行实验,AUC与F₁值分别为97.3%和83.1%、94.3%和75.6%,recall@50分别为35.4%与31.7%,其表现优于NGCF、KGCN、LKGR等模型。结果表明,融合元图邻域的知识图谱推荐模型可以有效提升推荐的性能。     

基于虚拟邻域聚合和属性嵌入的实体对齐方法

为增强对新实体的泛化能力,提高实体对齐的效果,构建一种基于多跳虚拟邻域聚合和属性嵌入的实体对齐模型。利用随机游走的方式构建虚拟邻域,使用门控单元对中心实体的虚拟邻域信息进行聚合;对于属性三元组生成抽象属性三元组,通过预测指定属性的相关属性进行属性嵌入;引入关系损失,通过排序得到实体对齐的结果。在公开数据集上的实验结果表明,该模型的Hits@1提升0.1～0.3、Hits@10提升0.04～0.2、MRR提升0.02～0.3,验证了模型的有效性。     

基于自适应注意力机制的知识图谱补全算法

现有的知识图谱补全模型通常将多源信息整合为实体和关系学习单一的静态特征表示,但无法表征不同上下文中出现的实体和关系的细差含义和动态属性,即实体和关系在涉及不同的三元组时可能有着不同的角色和含义,并因此表现出不同的属性。为此,提出了一种自适应注意力网络用于知识图谱补全,引入自适应注意力建模每个特征维度对特定任务的贡献程度,为目标实体和关系生成动态可变的嵌入表示。具体而言,所提模型通过定义邻居编码器和路径聚合器来处理实体邻域子图中的两种结构,自适应地调整邻居实体和关系路径的注意力得分,以捕获逻辑上与任务最相关的属性特征,为实体和关系赋予符合当前任务的细粒度语义。在链接预测任务中的实验结果表明,所提模型在FB15K-237数据集中的MeanRank指标比PathCon降低了6.9%,Hits@1比PathCon提高了2.3%;在稀疏数据集NELL-995和DDB14上,其Hits@1分别达到了87.9%和98%,证明了引入自适应注意力机制能够有效提取实体和关系的动态属性,为二者生成更全面的表示形式,从而提高知识图谱补全精度。     

一种融合实体描述和拓扑结构的知识图谱补全方法

知识图谱补全旨在预测给定三元组中缺失的实体和关系,以增强知识图谱的完整性和质量。现有的知识图谱补全方法通常只考虑三元组自身的结构信息或者是实体单一的附加信息(如实体的文本描述或拓扑结构信息),而忽略了融合多种附加信息来增强实体的特征信息,从而导致现有方法补全缺失实体时性能不佳。针对这个问题,提出一种融合实体文本描述和拓扑结构信息的知识图谱补全方法(FuDS-KGC),用于改善知识图谱补全任务的性能。该方法首先通过Transformer和注意力机制提取实体文本描述中特定于关系的特征表示,以增强实体描述的表示特征信息。然后,构建实体的一阶邻居子图,并通过图注意力网络获得实体的拓扑结构特征。最后,设计一种动态门控融合机制,融合实体的文本描述和拓扑结构特征,以增强实体的综合特征表示。在FB15k-237和WN18RR两个数据集上进行实验,实验结果证明了FuDS-KGC的有效性。     

基于特征联合与多注意力的实体关系链接

实体链接和关系链接作为知识库问答的核心组件链接自然语言问题和知识库信息,通常作为两个独立的任务执行,但该执行方式忽略了链接中产生的信息间的相互影响。同时,将候选实体和关系分别计算相似性的方法没有考虑候选实体和关系的内在联系。提出一种基于神经网络的特征联合和多注意力的实体关系链接方法,运用神经网络对问题、实体、关系以及实体-关系对进行编码和向量表示学习,通过添加注意力机制的方法获取候选实体及关系在问题中的权重信息,在计算实体（关系）向量与问题向量的相似性时加入实体-关系对向量,利用实体-关系对中包含的信息提高链接的精度。在LC-QuAD和QALD-7数据集上的实验结果表明,与Falcon模型相比,该方法至少提高了1%的链接精度。     

融合关系路径与实体邻域信息的知识图谱补全方法

知识图谱为许多人工智能应用提供了底层的技术支持,包括电子商务、智能导航、医疗保健、社交媒体等领域.但现有的知识图谱通常是不完整的,大量的知识隐含在其中,因此如何将知识图谱补全完整成为亟需解决的问题.现有方法大多是独立处理实体邻域信息或关系路径,忽略了实体邻域信息对关系路径探索过程的重要性.为此,提出了一种融合关系路径与实体邻域信息的知识图谱补全方法(RPEN-KGC).RPEN-KGC由采样器和推理器构成,采样器通过在实体对之间随机游走,为推理器提供可靠的推理策略.同时采样器利用实体邻域相似性对比机制约束随机游走的方向,有效提高采样的效率,并且使推理策略更加丰富.推理器通过提取关系路径的语义特征,在语义空间中推理出更加多样化的关系路径.在公开的NELL-995和FB15K-237数据集中通过链接预测任务进行实验验证,结果表明,RPEN-KGC在多数指标上相较于基准方法均有一定的提升,说明RPEN-KGC能够有效预测知识图谱中缺失的知识.     

基于图神经网络的测井领域知识图谱实体对齐方法

针对测井领域数据资产知识图谱在数据融合时出现的命名规则呈现高度多样性、行业特性显著且语义实体繁多的情况,导致测井知识图谱中实体存在大量歧义、冗余及关联错误等问题,该文提出了一种基于结构嵌入与属性嵌入的知识图谱实体对齐方法。通过在图卷积神经网络中引入高速公路网络机制(Highway Networks)来捕捉图结构的深层次特征,在图注意力神经网络中聚合高速公路网络机制来有效提取实体的属性特征,并使用最小化基于边际的损失函数来优化模型参数。在测井领域数据资产知识图谱数据集中的2个知识图谱上进行实体对齐实验,实验结果表明,该方法在实体对齐的性能上超越了所有对比模型,其Hits@10值达84.8%,比表现最好的对比模型高约0.5百分点。     

基于CNN和双向LSTM融合的实体关系抽取

实体关系抽取旨在识别网络文本中的实体,并提取出文本中实体之间隐含的关系。研究表明,深度神经网络在实体关系抽取任务上具有可行性,并优于传统关系抽取方法。目前的关系抽取方法大都使用卷积神经网络（CNN）和长短期记忆神经网络（LSTM）,然而CNN只考虑连续词之间的相关性而忽略了非连续词之间的相关性。另外,LSTM虽然考虑了长距离词的相关性,但提取特征不够充分。针对这些问题,提出了一种CNN和LSTM结合的实体关系抽取方法,采用3种结合方法进行了实验,验证了该方法的有效性,在F1值上有一定的提升。     

基于时序感知的动态知识图谱补全方法

针对动态知识图谱的补全方法大多将时间维度内嵌于实体或关系中;将四元组降维成三元组后以静态知识图谱补全理论进行补全。静态补全方法通常只对实体关系建模;忽略了时间信息在四元组中的重要作用。同时知识库内时间表述存在稀疏性和不规则性。针对以上问题;提出了时序感知编码器和时序卷积解码器。时序感知编码器将时间维度同实体和关系嵌入为同规模向量;通过改进的图卷积神经网络实现四元组的特征提取。针对时序编码器特征提取后的四元组向量;时序卷积解码器利用卷积神经网络评估全局关系以进行链接预测。所提出的方法可以提供更精确的时间维度特征;提升补全时序图谱的性能。在ICEWS14、ICEWS05-15、Wikidata12k和YAGO11k数据集上的实验验证了提出方法的有效性;同时链接预测效果较优。     

融合实体邻域信息的时序知识图谱实体对齐

实体对齐的目的是通过匹配多源知识图谱中相同的实体来构造一个完整的知识图谱。现有方法主要集中在静态知识图谱上,未能充分利用大规模知识结构中普遍存在的时间信息,同时在融合实体邻域信息时忽视了未直接相连的潜在邻居。为此,提出了一种融合实体邻域信息的时序知识图谱实体对齐模型ENTEA。首先,通过捕捉实体在不同时刻的活跃度来构建实体的时间特征;其次,提出一种邻域相似性度量方法识别潜在的邻居节点,在单独的信道中执行消息传递来提取不同的邻居表示以得到邻域特征;最后,结合实体的时间特征和邻域特征生成丰富的实体嵌入。实验结果表明,在DICEWS-1K/200、YAGO-WIKI50K-5K/1K四个真实的数据集上,相较于基线模型中的最优结果,所提模型的hits@1值分别提升了1.8、1.7、1.7和1.9百分点,验证了模型的有效性。     

基于卷积神经网络的知识图谱补全方法研究

知识图谱是事实三元组的集合,其表示形式为(头实体,关系,尾实体).为了补全知识图谱中缺失的实体和关系,提出一种基于卷积神经网络的知识图谱补全方法.使用传统嵌入模型训练三元组,得到实体向量和关系向量;将三元组表示成3列矩阵,作为卷积神经网络的输入,卷积后得到三元组的特征表示图;连接所有特征图和权重向量进行点乘得到每个三元...     

基于多关系循环事件的动态知识图谱推理

针对现有动态知识图谱推理方法大多存在同时间多关系下推理能力有限的问题,文中提出基于多关系循环事件的动态知识图谱推理方法.利用改进的多关系邻近聚合器融合目标实体邻域信息,获得更准确的实体邻域向量表示,并通过优化信息融合简化文中方法.同时加入关系预测任务,扩大处理特定范围内两个实体间关系冲突的能力.在大型真实数据集上的实体预测和关系预测的实验表明,文中方法有效提升动态知识图谱的推理能力.     

基于知识图谱嵌入与多神经网络的序列推荐算法

循环神经网络在序列推荐中占有重要地位,但在推荐中,用户的行为序列远比自然语言处理中的句子或计算机视觉中的图像要复杂得多。单一的循环神经网络结构难以充分地挖掘用户偏好,因此提出一种新型的序列推荐算法,同时考虑序列的时间信息以及内容信息。主要分为2个部分：改进的项目嵌入和序列偏好学习。首先,提出一种融合知识图谱的项目嵌入方法,用于生成高质量的项目向量;其次,提出一种卷积神经网络结合长短时记忆神经网络的序列建模方法。更进一步地提出一个基于注意力的框架,动态地结合用户的兴趣点。在公开数据集MovieLens10M上与传统方法以及现有的同类型方法进行了比较。实验结果表明,所提算法在推荐评价指标平均倒数排名MRR@N以及召回率Recall@N上有显著的提升,验证了该算法的有效性。     

基于改进图卷积神经网络的知识图谱补全方法

知识图谱补全旨在对知识图谱中隐藏实体关系进行挖掘和预测,传统方法大多利用图卷积神经网络对其进行补全。然而,传统方法大多只利用邻居节点的信息对中心节点进行更新,一定程度上忽视了关系信息。因此,提出一种改进的图卷积神经网络作为编码器,使用循环相关策略组合邻居节点和关系,并使用注意力机制区分其对中心节点的贡献程度,并以InteractE模型作为解码器,实现了端到端的网络训练。在WN18RR、FB15K-237和YAGO3-10数据集上进行实验,与目前最好模型相比,在MRR和Hits@N指标上都有一定程度的提高。