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 |
|
|