| 一种融合实体关联性约束的表示学习方法 |
| |
| 引用本文： | 刘琼昕,马敬,郑培雄. 一种融合实体关联性约束的表示学习方法[J]. 北京理工大学学报, 2020, 40(1): 90-97. DOI: 10.15918/j.tbit1001-0645.2018.039 |
| |
| 作者姓名： | 刘琼昕 马敬 郑培雄 |
| |
| 作者单位： | 1. 北京市海量语言信息处理与云计算应用工程技术研究中心, 北京 100081; |
| |
| 基金项目： | 国家部委预研项目（31511090201） |
| |
| 摘 要： | 知识图谱的表示学习方法将实体和关系嵌入到低维连续空间中,从而挖掘出实体间的隐含联系.传统的表示学习方法多基于知识图谱的结构化信息,没有充分利用实体的描述文本信息.目前基于文本的表示学习方法多将文本向量化,忽略了文本中实体间的语义关联.针对上述缺点提出一种利用实体描述文本进行增强学习的方法,基于文本挖掘出关联性实体并对关联性进行分级,将关联性作为辅助约束融合到知识图谱的表示学习中.实验结果表明,该辅助约束能明显提升推理效果,优于传统的结构化学习模型以及基于深度学习的文本和结构的联合表示模型.
|
| 关 键 词： | 知识图谱 表示学习 关联性 辅助约束 |
| 收稿时间： | 2018-01-16 |
A Representation Learning Method of Fusing Entity Affinity Constraints |
| |
| LIU Qiong-xin,MA Jing and ZHENG Pei-xiong. A Representation Learning Method of Fusing Entity Affinity Constraints[J]. Journal of Beijing Institute of Technology(Natural Science Edition), 2020, 40(1): 90-97. DOI: 10.15918/j.tbit1001-0645.2018.039 |
| |
| Authors: | LIU Qiong-xin MA Jing ZHENG Pei-xiong |
| |
| Affiliation: | 1. Beijing Engineering Applications Research Center on High Volume Language Information Processing and Cloud Computing, Beijing 100081, China;2. School of Computer Science and Technology, Beijing Institute of Technology, Beijing 100081, China;3. College of Computer Science and Technology, Harbin Engineering University, Harbin, Heilongjiang 150001, China |
| |
| Abstract: | |
| |
| Keywords: | knowledge graph representation learning relevance supplementary constraints |
| 本文献已被 CNKI 等数据库收录！ |
| 点击此处可从《北京理工大学学报》浏览原始摘要信息 |
|
点击此处可从《北京理工大学学报》下载全文 |
|
