| 类型增强的时态知识图谱表示学习模型 |
| |
| 引用本文： | 何鹏,周刚,陈静,章梦礼,宁原隆.类型增强的时态知识图谱表示学习模型[J].计算机研究与发展,2023(4):916-929. |
| |
| 作者姓名： | 何鹏 周刚 陈静 章梦礼 宁原隆 |
| |
| 作者单位： | 1. 战略支援部队信息工程大学;2. 郑州工程技术学院 |
| |
| 基金项目： | 河南省科技攻关项目（222102210014）；;河南省自然科学基金项目（222300420590）~~； |
| |
| 摘 要： | 知识图谱表示学习旨在将知识图谱中的元素（实体和关系）表示在低维的连续向量空间中，可以有效地实现知识图谱补全并提高计算效率，是贯穿知识图谱构建和应用全过程的重要问题.现有的知识图谱表示学习模型大多基于静态的结构化三元组，忽略了知识的时间动态性和实体的类型特征，限制了它们在知识图谱补全和语义计算中的表现.针对这一问题，提出一种类型增强的时态知识图谱表示学习模型（type-enhanced temporal knowledge graph representation learning model,T-Temp），基于经典的张量分解技术，将不同形式的时间信息显式融合到知识图谱表示学习过程中.同时，利用实体与关系间的类型兼容性，充分挖掘隐含在实体中的类型特征，进一步提升表示学习的准确性.此外，证明T-Temp模型具有完全表达性，且与同类模型相比，具有较低的时空复杂度.在多个真实的时态知识图谱上进行的详细实验说明了T-Temp模型的有效性和先进性.
|
| 关 键 词： | 知识图谱 时态知识图谱 知识图谱补全 时态知识图谱表示学习 知识图谱嵌入 |
|
|
