规则增强的知识图谱表示学习方法

摘要：

知识图谱(Knowledge Graph,简称KG)的表示学习方法旨在将知识图谱的实体和关系表示为稠密低维实值向量,进而在低维向量空间中高效计算实体、关系及其之间的复杂语义关联,在知识图谱的构建、推理、融合、挖掘以及应用中具有重要作用.已有的知识图谱表示方法仅仅考虑了知识图谱中的直接事实,忽略了知识图谱中一些隐藏的语义信息,这些语义信息对于知识图谱关系和实体的嵌入表示有着重要的影响.本文提出了一种规则增强的知识图谱表示学习方法,该方法首先通过知识图谱规则挖掘的方法提取一组可代表知识图谱语义信息的Horn逻辑规则,随后通过基于规则的物化推理方法将相应的隐藏语义信息注入到知识图谱表示学习模型中.实验结果表明,基于规则增强的方法可以显著提升已有知识图谱表示学习模型在链接预测和定理预测上的效果和性能.

关键词：知识图谱、表示学习、规则挖掘、推理

所属期刊栏目：3

分类号：TP391(计算技术、计算机技术)

在线出版日期：2017-06-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：26-34