融合实体描述与路径信息的知识图谱表示学习模型

摘要：

知识图谱表示学习方法是将知识图谱中的实体和关系通过特定规则表示成一个多维向量的过程.现有表示学习方法多用于解决单跳知识图谱问答任务,其多跳推理能力无法满足实际需求,为提升多跳推理能力,提出一种融合实体描述与路径信息的知识图谱表示学习模型.首先通过预训练语言模型RoBERTa得到融合实体描述的实体、关系表示学习向量;其次利用OPTransE将知识图谱转化成融入有序关系路径信息的向量.最后构建总能量函数,将针对实体描述和路径信息的向量进行融合.通过实验分析与对比该模型在链路预测任务上与主流知识图谱表示学习模型的性能,验证了该模型的可行性与有效性.

关键词：知识图谱、表示学习、多维向量、多跳推理能力、实体描述、路径信息、能量函数、向量融合

所属期刊栏目：18

分类号：TP301.6(计算技术、计算机技术)

资助基金：国家重点研发计划;陕西省现代装备绿色制造协同中心自主研发或开放基金项目

在线出版日期：2023-03-03（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：153-161