基于贝叶斯规则的具有层次注意力的知识补全
知识图谱作为大数据时代的人工智能,被广泛应用于诸多领域,然而知识图谱普遍存在不完备性及稀疏性等问题.知识补全作为知识获取的子任务,旨在通过知识库中已知三元组来预测缺失的链接.然而现有方法普遍忽略了实体类型信息联合邻域信息对提高知识补全准确性的辅助作用,同时还存在特征信息被紧密编码到目标函数,导致集成操作高度依赖训练过程等问题.为此,提出了一种基于贝叶斯规则的具有层次注意力的知识补全方法.首先将实体类型和邻域信息视为层次结构,按关系进行分组,并独立计算组内各类信息的注意力权重.然后将实体类型和邻域信息编码为先验概率,将实例信息编码为似然概率,且按照贝叶斯规则将二者进行组合.实验结果表明,所提方法在FB1 5k数据集上的MRR(Mean Reciprocal Rank)指标比ConvE提高14.4%,比TKRL提高10.7%;在FB15k-237数据集上的MRR指标比TACT提高了2.1%.在FB15k,FB15k-237和YAGO26K-906数据集上,其Hits@1达到了77.5%,73.8%和95.1%,证明了引入具有层次结构的类型信息和邻域信息能够为实体嵌入更丰富、准确的描述信息,进而提升知识补全的精度.
贝叶斯规则、实体类型、多层注意力、知识图谱补全
50
TP311(计算技术、计算机技术)
2023-11-17(万方平台首次上网日期,不代表论文的发表时间)
共7页
234-240