STransH:一种改进的基于翻译模型的知识表示模型

摘要：

最近,以深度学习为代表的表示学习技术受到广泛关注.表示学习旨在将研究对象的语义信息表示为低维稠密实值向量.因此,一系列知识表示模型被提出,其中基于翻译模型的经典方法TransE不仅模型复杂度低、计算效率高,而且具有良好的知识表达能力.但是,TransE方法在处理自反、一对多、多对一和多对多等复杂关系时存在局限性.鉴于此,文中提出一种改进的知识表示模型STransH,分别在实体空间和关系空间建模,并采用单层神经网络的非线性操作来加强实体和关系的语义联系.同时,受TransH模型的启发,引入投影到特定关系超平面的机制,使得实体在不同的关系中有不同的角色.在模型训练时,通过替换语义相似实体来提高生成负例的质量.最后,在公开的数据集FB15K和WN18上进行链接预测实验,分析和验证了所提方法的有效性.相比于TransE和TransH模型,STransH在各项性能指标上均取得了较大提升,其Hits@10和三元组分类准确率分别提高近10％.

关键词：知识图谱、表示学习、链接预测、三元组分类

所属期刊栏目：46

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金71571136;上海市科委基础研究项目16JC1403000

在线出版日期：2019-10-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：184-189