关于主动学习下的知识图谱补全研究

摘要：

知识图谱补全任务研究如何补全知识图谱中的缺失关系.知识图谱补全任务有许多广泛的应用,例如可以应用到轨道交通运维知识库中以支撑轨道交通的系统设计、运维优化.现有的算法在用于现实的大规模知识图谱时时间开销巨大,并且无法很好地利用知识图谱外部的数据信息.针对以上两点局限性,提出了一种基于主动学习的知识图谱补全框架.该框架结合主动学习的思想,利用链接预测预先筛选缺失知识图谱中最有可能产生链接的前k对实体对,然后充分考虑知识图谱内部信息和外部信息,采用内外部数据相结合的方式实现知识图谱的缺失补全.基于Freebase和DBpedia数据集,针对已有的工作进行了对比实验,实验结果表明提出的增强链接预测算法(ELP)效果更好,并且具有主动学习能力;提出的内部数据和外部数据相结合的关系验证方法能更有效地验证三元组.

关键词：主动学习、知识图谱补全、链接预测、关系验证

所属期刊栏目：14

分类号：TP391(计算技术、计算机技术)

资助基金：The National Key Research and Development Program of China under Grant No. 2017YFB1201001 国家重点研发计划;the National Natural Science Foundation of China under Grant Nos. 61672455, 61472348 国家自然科学基金;the Natural Science Foundation of Zhejiang Province under Grant No. LY18F020005 浙江省自然科学基金

在线出版日期：2020-05-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共14页

页码：769-782