基于多尺度空洞卷积的知识图谱表示方法
知识图谱嵌入是知识图谱研究中的一项重要课题.它旨在根据已观测到的三元组,学习知识图谱中实体与关系的低维向量表示.知识图谱嵌入在许多下游任务中发挥了巨大作用,例如知识图谱补全、三元组分类.如今,深度模型利用神经网络强大的非线性拟合能力,在知识图谱嵌入领域展示出了优异的性能.然而,现有的大多数方法忽略了实体与关系之间的多尺度特征交互,InceptionE是目前唯一考虑到了多尺度交互特征的模型,但由于大量的计算开销导致其很难进行训练.本文提出了 一种全新的知识图谱嵌入模型MDCE,它使用多尺度空洞卷积核在不同的尺度空间捕捉丰富的交互特征.同时,MDCE相比于InceptionE方法的计算开销更小.我们在多个基准数据集上进行了大量实验.在链接预测任务上的结果表明,MDCE不仅在性能方面超过了已有的工作,而且更加高效、稳健.
知识图谱、知识图谱嵌入、深层模型、多尺度特征、链接预测、人工智能
52
TU973.2;TP391;TP181
科技部重点研发计划;国家自然科学基金;国家自然科学基金;国家自然科学基金;国家自然科学基金;陕西省科技创新团队;霍英东教育基金资助项目
2022-08-19(万方平台首次上网日期,不代表论文的发表时间)
共17页
1204-1220