一种改进的基于TransE知识图谱表示方法

摘要：

传统基于翻译模型的知识图谱表示方法难以处理一对多、多对一和多对多等复杂关系,而且通常独立地学习三元组而忽略了知识图谱的网络结构和语义信息.为解决该问题,构建一种基于TransE的TransGraph模型,该模型同时学习三元组和知识图谱网络结构特征,以有效增强知识图谱的表示效果.在此基础上,提出一种向量共享的交叉训练机制,从而实现网络结构信息和三元组信息的深度融合.在公开数据集上的实验结果表明,相比TransE模型,TransGraph模型在链路预测和三元组分类2个任务中的HITS@10、准确率指标均得到显著提升.

关键词：知识图谱、表示学习、TransE模型、链路预测、神经网络

所属期刊栏目：46

分类号：TP391(计算技术、计算机技术)

资助基金：中国科学院“十三五”信息化项目XXH13506

在线出版日期：2020-05-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：63-69,77