一种融合主题特征的自适应知识表示方法

摘要：

基于翻译的表示学习模型TransE被提出后,研究者提出一系列模型对其进行改进和补充,如TransH、TransG、TransR等.然而,这类模型往往孤立学习三元组信息,忽略了实体和关系相关的描述文本和类别信息.基于主题特征构建TransATopic模型,在学习三元组的同时融合关系中的描述文本信息,以增强知识图谱的表示效果.采用基于主题模型和变分自编器的关系向量构建方法,根据关系上的主题分布信息将同一关系表示为不同的实值向量,同时将损失函数中的距离度量由欧式距离改进为马氏距离,从而实现向量不同维权重的自适应赋值.实验结果表明,在应用于链路预测和三元组分类等任务时,TransATopic模型的MeanRank、HITS@5和HITS@10指标较TransE模型均有显著改进.

关键词：知识图谱、表示学习、主题模型、变分自编码器、马氏距离

所属期刊栏目：47

分类号：TP391.1(计算技术、计算机技术)

资助基金：中国科学院"十三五"信息化专项XXH13506

在线出版日期：2021-01-20（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：87-93,100