CN112100403A - 一种基于神经网络的知识图谱不一致性推理方法 - Google Patents
一种基于神经网络的知识图谱不一致性推理方法 Download PDFInfo
- Publication number
- CN112100403A CN112100403A CN202010973433.0A CN202010973433A CN112100403A CN 112100403 A CN112100403 A CN 112100403A CN 202010973433 A CN202010973433 A CN 202010973433A CN 112100403 A CN112100403 A CN 112100403A
- Authority
- CN
- China
- Prior art keywords
- axiom
- neural network
- inconsistency
- representation
- triplet
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于神经网络的知识图谱不一致性推理方法,包括以下步骤:利用知识表示学习算法对三元组表示学习得到实体表示和关系表示以及计算表示得分,并将实体表示和关系表示作为神经网络的输入,利用三元组通过神经网络对公理进行建模以学习用来表示相应的公理的神经网络的参数得到公理模型,利用公理模型获得三元组的公理预测值,基于三元组的表示得分和公理预测值实现三元组和对应公理不一致性的判断。该方法不需要给定本体信息,利用神经网络学习不一致性公理,通过知识表示学习算法和神经网络判断一个三元组是否存在不一致性,在给定公理上是否存在不一致性。
Description
技术领域
本发明属于知识图谱和神经网络领域,具体涉及一种基于神经网络的知识图谱不一致性推理方法。
背景技术
知识图谱是将知识结构化形成的知识***,已被广泛应用到搜索引擎、推荐***、问答***等知识驱动的任务。为了高效地存储及利用知识,人们使用人工标注、半自动化或自动化的方式构建了面向开放域和垂直域的大规模知识图谱。经典的知识图谱如Wikidata、Freebase以及DBpedia等,使用三元组的形式存储实体和实之间的关系。每个三元组对应一条知识,例如(中国,首都是,北京)表示中国的首都是北京,其中“中国”被称作头实体,“北京”被称作尾实体,“首都是”被称为关系。
由于知识图谱的构建常通过自动化或半自动化的手段,已构建图谱可能存在知识不完整,知识错误等质量问题。针对知识不完整的问题,许多知识图谱表示学习算法被提出用于预测新知识补全已有知识图谱,主要有通过给定实体和关系预测缺失的实体,或给定两个实体预测它们之间可能存在的关系。针对知识错误的问题,包含不符合公理以及符合公理但知识内容不正确两种情况,主要通过知识不一致性推理实现错误知识的检测,以便进行错误更正。
知识图谱不一致性推理旨在检测错误的知识,它包含两类任务,一是检测一个三元组是否一致,二是检测三元组的某个公理是否一致,本质上都是对一个三元组进行二分类。首先,已有的对知识图谱中三元组进行不一致性推理的工作都需要借助知识库本体信息,或自定义一些模板。现有知识库通常没有定义好的本体,通过专家人工定义不仅时间成本高并且会产生定义的本体不完整的问题。其次,当前知识表示学习模型包括距离模型、语义模型以及神经网络模型等,将知识图谱嵌入到低维向量空间,将三元组中的实体和关系表示成低维向量。
以上这些方法通过向量计算得到三元组的得分从而判断一条知识是否正确,对应了三元组分类任务。同时,这些方法体现了知识表示学习算法和神经网络在知识图谱推理任务上具有优势。但这些方法只能对三元组进行一致性判断,无法细粒度判别三元组对应的公理是否一致,因此亟需一种通过检测三元组的某个公理是否一致来实现错误知识的检测,以便进行错误更正。
发明内容
本发明的目的就是提供一种基于神经网络的知识图谱不一致性推理方法,该方法不需要给定本体信息,利用神经网络学习不一致性公理,通过知识表示学习算法和神经网络判断一个三元组是否存在不一致性,在给定公理上是否存在不一致性。
为实现上述发明目的,本发明提供以下技术方案:
一种基于神经网络的知识图谱不一致性推理方法,包括以下步骤:
将三元组的实体表示和关系表示作为输入,利用知识表示学习算法对知识图谱中的三元组的实体表示和关系表示进行学习,同时计算三元组的表示得分,将三元组的实体表示和关系表示作为神经网络的输入,利用三元组通过神经网络对公理进行建模以学习用来表示相应的公理的神经网络的参数得到公理模型,利用公理模型获得三元组的公理预测值,基于三元组的表示得分和公理预测值实现三元组和对应公理不一致性的判断。
在进行知识表示学习算法进行三元组表示学习时,将知识图谱嵌入到低维向量空间,把实体和关系表示成向量,通过知识表示学习算法保留三元组的结构信息,给定一个三元组(s,r,o),可选择任意一种知识表示学习算法保留结构信息,如TransE算法、DistMult算法等。输入为实体和关系的向量表示,输出为当前三元组的表示得分,分数fr的具体计算分别为:TransE:fr(s,o)=||s+r-o||;DistMult:fr(s,o)=-sTMro,其中Mr为对角矩阵,s,r,o分别为s,r,o的向量表示。正确三元组fr(s,o)的值低于错误三元组。
通过神经网络建模公理模型,为每个神经网络学习不同的参数,每组参数被认为是对应公理的特征。知识表示学习算法和神经网络同时进行训练使得在学习向量表示和神经网络参数时,既能编码三元组的结构信息又可以同时使三元组符合相关公理。其中,表示学习算法可以是任意一种知识图谱表示学习算法,神经网络进行二元分类输出每个公理满足一致性的概率。训练过程中神经网络的具体输入来自于当前三元组的元素,或通过三元组查找到的相关三元组中的元素。首先分析对应公理需要考虑的来自三元组或相关三元组中的元素;再根据公理的假设,通过已有三元组符合公理约束将已有三元组及其相关三元组的元素作为神经网络的正样本,通过封闭假设构造每个神经网络模块的负样本,这样的设置使得模型不需要本体信息而仅利用知识图谱中存在的三元组就可以学习公理。
上述基于神经网络的知识图谱不一致性推理方法中,利用三元组通过神经网络对公理进行建模时,
首先,从OWL2本体语言定义的可用于不一致性检测的公理中,选择被考虑的公理并分析知识图谱中发生每个公理对应的不一致性的约束或条件;
然后,构建每个公理对应的神经网络模型,同时根据公理对应不一致性的约束或条件构建每个神经网络模型的正样本,并基于正样本构建负样本;
接下来,针对每个公理对应的神经网络模型需要考虑的三元组的元素,将相应的实体表示和关系表示拼接后输入至神经网络模型,计算得到每个公理对应的预测值,并基于所有公理对应的预测值得到神经网络模型的预测得分,综合知识表示学习算法计算的表示得分和预测得分,得到三元组的总得分;
最后,依据正样本三元组总分和对应的负样本三元组总得分构建边缘损失函数,并利用边缘损失函数联合更新优化知识表示学习算法和神经网络模型参数以及实体表示和关系表示,优化结束后,最终学习到参数确定的神经网络模型为公理模型,以及知识图谱中确定的实体表示和关系表示。
上述基于神经网络的知识图谱不一致性推理方法中,在选择用于不一致性检测的公理时,先根据公理定义中提到的需要满足的条件或约束,判断公理是否可以用于不一致性检测,再从可用于不一致性检测的公理中选择公理,将选择的公理对应的条件或约束对标到知识图谱中三元组的相关元素、三元组元素之间的关联性,进而实现构建公理的正样本。
上述基于神经网络的知识图谱不一致性推理方法中,在对三元组不一致性进行判断时,为每个关系设定关系阈值,根据优化结束时确时确定的实体表示和关系表示,利用知识表示学习算法和公理模型计算三元组的总得分,当三元组的总得分低于关系阈值时,则认为三元组为一个正确的三元组,反之为一个错误的三元组即存在不一致性。
上述基于神经网络的知识图谱不一致性推理方法中,在对三元组对应公理不一致性进行判断时,为每个公理设定一个公理阈值,根据生成知识表示学习模型时确定的实体向量表示和关系向量表示,利用每个公理模型计算三元组针对公理的预测值,当三元组针对公理的预测值低于对应的公理阈值时,则认为三元组在该公理上存在不一致。
在一个实施方式中,针对三元组(s,r,o),选中的公理包括:
对象属性域(Object Property Domain),简称domain公理,定义关系r的头实体s类型应该符合相应的类别;
对象属性范围(Object Property Range),简称range公理,定义关系r的尾实体o类型应该符合相应的类别;
不相交对象属性(Disjoint Object Properties),简称disjoint公理,定义关系r和关系r1互斥,三元组(s,r,o)和三元组(s,r1,o)应该不同时存在于一个知识图谱中;
不可逆对象属性(Irreflexive Object Property),简称irreflexive公理,需两步判断,先检查关系是否是反自反,再判断头实体和尾实体是否相等,如果关系r是反自反,实体无法通过该关系指向自身即s=o;
非对称对象属性(Asymmetric Object Property),简称asymmetric公理,需两步判断,先检查关系是否是反对称,再查找关系为r的三元组(s1,r,o1)。若判断是否存在s1=o和o1=s,如果关系是反对称的,则两个三元组(s,r,o)和(o,r,s)不应该同时存在一个知识图谱中。
神经网络模块的输入为当前三元组或与当前三元组相关三元组的元素,输出为符合对应公理的概率,神经网络模块的计算分别如下:
domain公理预测值:Pdm(s,r,o)=g(W1·[r;s]+b1)
range公理预测值:Prg(s,r,o)=g(W2·[r;o]+b2)
disjoint公理预测值:Pdis(s,r,o,s,r1,o)=g(W3·[r;r1]+b3)
irreflexive公理预测值:Pirre(s,r,o)=g(W4·[s;r;o]+b4)
asymmetric公理预测值:
Pasym(s,r,o,s1,r,o1)=g(W5·[s;r;o;s1;r;o1]+b5);
则三元组的总得分为:
f(s,r,o)=fr(s,o)+α(1-Pdm)+β(1-Prg)+∈(1-Pirre)+ζ(1-Pdis)+η(1-Pasym)
其中,s、s1、r、r1、o、o1分别表示实体s、实体s1、关系r、关系r1、实体o、实体o1的学习表示向量,符号;表示拼接操作,g()表示sigmoid函数,W1,W2,W3,W4,W5表示权重向量,b1,b2,b3,b4,b5为偏置,α,β,∈,ζ,η为表示权重的超参数,fr(s,o)表示利用知识表示学习模型得到的三元组的表示得分。
针对正确的三元组,每种公理模型输出的公理概率值相对高于错误的三元组,以上得分函数确保正样本的三元组总分数低于负样本的三元组。构建的边缘损失函数为:
其中,F表示正样本集合,F′为负样本集合,f(s,r,o)表示三元组(s,r,o)的总得分,f(s′,r′,o′)表示三元组(s′,r′,o′)的总得分。
基于domain公理、range公理、disjoint公理、irreflexive公理以及asymmetric公理,在对三元组进行不一致性判断时,给定一个三元组(s,r,o),利用训练阶段学习出实体和关系的向量表示以及神经网络模型的参数,计算最终得分f(s,r,o),以及各个公理模块包括Pdm,Prg,Pirre,Pdis,Pasym的值。针对三元组一致性判断,为每个关系引入一个阈值,当得分f(s,r,o)低于阈值表示三元组为一个正确的三元组,反之则为错误的三元组,即存在不一致性。为进一步区分三元组是否在当前考虑的公理上存在不一致性,根据验证集为每个公理模型引入一个阈值,如果Pdm,Prg,Pirre,Pdis,Pasym均低于对应公理阈值,则表明该三元组分别在domain公理、range公理、disjoint公理、irreflexive公理以及asymmetric公理上存在不一致性。
与现有技术相比,本发明具有的有益效果至少包括:
(1)上述知识图谱不一致性推理方法不需要定义好的本体信息,仅利用知识图谱中已有的三元组进行公理学习,使得在没有本体定义或本体定义不完整的知识图谱上也可以捕获部分公理并进行不一致性推理,极大地减少了人工成本。同时,知识表示学习模型和公理模型可以用于任意知识图谱中。
(2)相比于知识表示学习算法只考虑结构信息,该方法将公理学习转换成神经网络参数学习,利用知识表示学习算法和神经网络联合训练让模型既要保留结构信息,又能学习不一致性相关的公理。公理的学习让模型不仅能检测到不一致的三元组,而且细粒度地检测考虑的几种公理是否存在不一致性。这样可以更好地实现不一致性推理,为后续修正三元组提供方便。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动前提下,还可以根据这些附图获得其他附图。
图1是基于神经网络的知识图谱不一致性推理方法的流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
图1是基于神经网络的知识图谱不一致性推理方法的流程图。如图1所示,针对给定的包含大量三元组(s,r,o)的知识图谱,知识图谱不一致性推理方法包括以下步骤:
步骤1,从OWL2对象属性公理里可用于不一致检测的公理中选择以下五种公理,分析五种公理在OWL2中描述及判断条件如下:
步骤2,根据判断条件得到每个公里对应的神经网络的训练样本,即根据公理的判断条件确定每个神经网络的具体输入,下面给一个样例知识图谱说明每个公理模型的输入:
s<sub>1</sub> | r<sub>1</sub> | o<sub>1</sub> |
s<sub>2</sub> | r<sub>2</sub> | o<sub>2</sub> |
s<sub>1</sub> | r<sub>3</sub> | o<sub>1</sub> |
s<sub>2</sub> | r<sub>1</sub> | o<sub>2</sub> |
s<sub>1</sub> | r<sub>1</sub> | s<sub>1</sub> |
o<sub>1</sub> | r<sub>3</sub> | s<sub>1</sub> |
给定的样例图谱包含6个三元组,包含的实体有(s1,s2,o1,o2),包含的关系有(r1,r2,r3)。训练时,domain公理关注关系和头实体,该模块输入为(r1,s1),(r2,s2),(r3,s1),(r1,s2),(r3,o1);range公理关注关系和尾实体,该模块输入为(r1,o1),(r2,o2),(r3,o1),(r1,o2),(r1,s1),(r3,s1);disjoint公理关注两个头实体和尾实体均相同的三元组中关系的相关性,该模块输入为(s1,r1,o1,s1,r3,o1),(s2,r2,o2,s2,r1,o2);irreflexive公理关注当前三元组,该模块输入为(s1,r1,o1),(s2,r2,o2),(s1,r3,o1),(s2,r1,o2),(s1,r1,s1),(o1,r3,s1);asymmetric公理关注关系相同的两个三元组,输入为(s1,r1,o1,s2,r1,o2),(s1,r1,o1,s1,r1,s1),(s2,r1,o2,s1,r1,s1)。知识表示学习算法关注当前三元组,输入为(s1,r1,o1),(s2,r2,o2),(s1,r3,o1),(s2,r1,o2),(s1,r1,s1),(o1,r3,s1)。上述每个模块的输入都可以看作该模块的一个正样本。
步骤3,联合训练知识表示学习算法和公理对应的神经网络
当构建好每个公理对应的神经网络后,将样本的实体表示和关系表示拼接后输入至神经网络模型,计算得到每个公理对应的预测值,并基于所有公理对应的预测值得到神经网络模型的预测得分,综合三元组的表示得分和公理模型的预测得分,得到三元组的总得分;最后,依据正样本三元组总分和对应的负样本三元组总得分构建边缘损失函数,并利用边缘损失函数联合更新优化知识表示学习算法和神经网络模型参数,优化结束后,确定的实体向量表示和关系向量表示的知识表示学习算法为知识表示学习模型,参数确定的神经网络模型为公理模型。
步骤4,经过步骤3训练好的知识表示学习模型和公理模型,就可以实现知识图谱的不一致性推理。给定一个三元组,为当前三元组计算最终得分,低于阈值判断三元组为正确,高于阈值认为三元组存在不一致;为每个公理模块计算符合该公理的概率,对应公理的概率高于阈值说明三元组符合对应公理一致性,反之在该公理上存在不一致性。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于神经网络的知识图谱不一致性推理方法,其特征在于,包括以下步骤:
将三元组的实体表示和关系表示作为输入,利用知识表示学习算法对知识图谱中的三元组的实体表示和关系表示进行学习,同时计算三元组的表示得分,将三元组的实体表示和关系表示作为神经网络的输入,利用三元组通过神经网络对公理进行建模以学习用来表示相应的公理的神经网络的参数得到公理模型,利用公理模型获得三元组的公理预测值,基于三元组的表示得分和公理预测值实现三元组和对应公理不一致性的判断。
2.如权利要求1所述的基于神经网络的知识图谱不一致性推理方法,其特征在于,利用三元组通过神经网络对公理进行建模时,
首先,从OWL2本体语言定义的可用于不一致性检测的公理中,选择被考虑的公理并分析知识图谱中发生每个公理对应的不一致性的约束或条件;
然后,构建每个公理对应的神经网络模型,同时根据公理对应不一致性的约束或条件构建每个神经网络模型的正样本,并基于正样本构建负样本;
接下来,针对每个公理对应的神经网络模型需要考虑的三元组的元素,将相应实体表示和关系表示拼接后输入至神经网络模型,计算得到每个公理对应的预测值,并基于所有公理对应的预测值得到神经网络模型的预测得分,综合知识表示学习算法计算的表示得分和预测得分,得到三元组的总得分;
最后,依据正样本三元组总分和对应的负样本三元组总得分构建边缘损失函数,并利用边缘损失函数联合更新优化知识表示学习算法和神经网络模型参数以及实体表示和关系表示,优化结束后,最终学习到参数确定的神经网络模型为公理模型,以及知识图谱中确定的实体表示和关系表示。
3.如权利要求2所述的基于神经网络的知识图谱不一致性推理方法,其特征在于,在选择用于不一致性检测的公理时,先根据公理定义中提到的需要满足的条件或约束,判断公理是否可以用于不一致性检测,再从可用于不一致性检测的公理中选择公理,将选择的公理对应的条件或约束对标到知识图谱中三元组的相关元素、三元组元素之间的关联性,进而实现构建公理的正样本。
4.如权利要求2所述的基于神经网络的知识图谱不一致性推理方法,其特征在于,在对三元组不一致性进行判断时,为每个关系设定关系阈值,根据优化结束时确定的实体表示和关系表示,利用知识表示学习算法和公理模型计算三元组的总得分,当三元组的总得分低于关系阈值时,则认为三元组为一个正确的三元组,反之为一个错误的三元组即存在不一致性。
5.如权利要求2所述的基于神经网络的知识图谱不一致性推理方法,其特征在于,在对三元组对应公理不一致性进行判断时,为每个公理设定一个公理阈值,利用每个公理模型计算三元组针对公理的预测值,当三元组针对公理的预测值低于对应的公理阈值时,则认为三元组在该公理上存在不一致。
6.如权利要求2所述的基于神经网络的知识图谱不一致性推理方法,其特征在于,针对三元组(s,r,o),选中的公理包括:
对象属性域,简称domain公理,定义关系r的头实体s类型应该符合相应的类别;
对象属性范围,简称range公理,定义关系r的尾实体o类型应该符合相应的类别;
不相交对象属性,简称disjoint公理,定义关系r和关系r1互斥,三元组(s,r,o)和三元组(s,r1,o)应该不同时存在于一个知识图谱中;
不可逆对象属性,简称irreflexive公理,需两步判断,先检查关系是否是反自反,再判断头实体和尾实体是否相等,如果关系r是反自反,实体无法通过该关系指向自身即s=o;
非对称对象属性,简称asymmetric公理,需两步判断,先检查关系是否是反对称,再查找关系为r的三元组(s1,r,o1),判断是否存在s1=o和o1=s,如果关系是反对称的,则两个三元组(s,r,o)和(o,r,s)不应该同时存在一个知识图谱中。
7.如权利要求6所述的基于神经网络的知识图谱不一致性推理方法,其特征在于,神经网络模块的输入为当前三元组或与当前三元组相关三元组的元素,输出为符合对应公理的概率,神经网络模块的计算分别如下:
domain公理预测值:Pdm(s,r,o)=g(W1·[r;s]+b1)
range公理预测值:Prg(s,r,o)=g(W2·[r;o]+b2)
disjoint公理预测值:Pdis(s,r,o,s,r1,o)=g(W3·[r;r1]+b3)
irreflexive公理预测值:Pirre(s,r,o)=g(W4·[s;r;o]+b4)
asymmetric公理预测值:
Pasym(s,r,o,s1,r,o1)=g(W5·[s;r;o;s1;r;o1]+b5);
则三元组的总得分为:
f(s,r,o)=fr(s,o)+α(1-Pdm)+β(1-Prg)+∈(1-Pirre)+ζ(1-Pdis)+η(1-Pasym)
其中,s、s1、r、r1、o、o1分别表示实体s、实体s1、关系r、关系r1、实体o、实体o1的学习表示向量,符号;表示拼接操作,g()表示sigmoid函数,W1,W2,W3,W4,W5表示权重向量,b1,b2,b3,b4,b5为偏置,α,β,∈,ζ,η为表示权重的超参数,fr(s,o)表示利用知识表示学习模型得到的三元组的表示得分。
9.如权利要求1所述的基于神经网络的知识图谱不一致性推理方法,其特征在于,所述知识表示学习算法包括TransE算法或DistMult算法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010973433.0A CN112100403A (zh) | 2020-09-16 | 2020-09-16 | 一种基于神经网络的知识图谱不一致性推理方法 |
PCT/CN2021/116777 WO2022057671A1 (zh) | 2020-09-16 | 2021-09-06 | 一种基于神经网络的知识图谱不一致性推理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010973433.0A CN112100403A (zh) | 2020-09-16 | 2020-09-16 | 一种基于神经网络的知识图谱不一致性推理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112100403A true CN112100403A (zh) | 2020-12-18 |
Family
ID=73759649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010973433.0A Pending CN112100403A (zh) | 2020-09-16 | 2020-09-16 | 一种基于神经网络的知识图谱不一致性推理方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112100403A (zh) |
WO (1) | WO2022057671A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633927A (zh) * | 2020-12-23 | 2021-04-09 | 浙江大学 | 一种基于知识图谱规则嵌入的组合商品挖掘方法 |
CN113449118A (zh) * | 2021-06-29 | 2021-09-28 | 华南理工大学 | 一种基于标准知识图谱的标准文档冲突检测方法及*** |
WO2022057671A1 (zh) * | 2020-09-16 | 2022-03-24 | 浙江大学 | 一种基于神经网络的知识图谱不一致性推理方法 |
CN114357192A (zh) * | 2021-12-31 | 2022-04-15 | 海南大学 | 基于dikw的内容完整性建模与判断方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114741460B (zh) * | 2022-06-10 | 2022-09-30 | 山东大学 | 基于规则间关联的知识图谱数据扩展方法及*** |
CN115114455A (zh) * | 2022-07-04 | 2022-09-27 | 电子科技大学 | 一种基于本体的多粒度城市暴雨内涝知识图谱构建方法 |
CN116340524B (zh) * | 2022-11-11 | 2024-03-08 | 华东师范大学 | 一种基于关系自适应网络的小样本时态知识图谱补全方法 |
CN117591657B (zh) * | 2023-12-22 | 2024-05-07 | 宿迁乐享知途网络科技有限公司 | 一种基于ai的智能对话管理***及方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200065668A1 (en) * | 2018-08-27 | 2020-02-27 | NEC Laboratories Europe GmbH | Method and system for learning sequence encoders for temporal knowledge graph completion |
CN111368096A (zh) * | 2020-03-09 | 2020-07-03 | 中国平安人寿保险股份有限公司 | 基于知识图谱的信息分析方法、装置、设备和存储介质 |
CN111444305B (zh) * | 2020-03-19 | 2022-10-14 | 浙江大学 | 一种基于知识图谱嵌入的多三元组联合抽取方法 |
CN111582509B (zh) * | 2020-05-07 | 2022-09-02 | 南京邮电大学 | 一种基于知识图谱表示学习和神经网络的协同推荐方法 |
CN112100403A (zh) * | 2020-09-16 | 2020-12-18 | 浙江大学 | 一种基于神经网络的知识图谱不一致性推理方法 |
-
2020
- 2020-09-16 CN CN202010973433.0A patent/CN112100403A/zh active Pending
-
2021
- 2021-09-06 WO PCT/CN2021/116777 patent/WO2022057671A1/zh active Application Filing
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022057671A1 (zh) * | 2020-09-16 | 2022-03-24 | 浙江大学 | 一种基于神经网络的知识图谱不一致性推理方法 |
CN112633927A (zh) * | 2020-12-23 | 2021-04-09 | 浙江大学 | 一种基于知识图谱规则嵌入的组合商品挖掘方法 |
CN112633927B (zh) * | 2020-12-23 | 2021-11-19 | 浙江大学 | 一种基于知识图谱规则嵌入的组合商品挖掘方法 |
CN113449118A (zh) * | 2021-06-29 | 2021-09-28 | 华南理工大学 | 一种基于标准知识图谱的标准文档冲突检测方法及*** |
CN113449118B (zh) * | 2021-06-29 | 2022-09-20 | 华南理工大学 | 一种基于标准知识图谱的标准文档冲突检测方法及*** |
CN114357192A (zh) * | 2021-12-31 | 2022-04-15 | 海南大学 | 基于dikw的内容完整性建模与判断方法 |
CN114357192B (zh) * | 2021-12-31 | 2024-04-19 | 海南大学 | 基于dikw的内容完整性建模与判断方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2022057671A1 (zh) | 2022-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112100403A (zh) | 一种基于神经网络的知识图谱不一致性推理方法 | |
CN110889556B (zh) | 一种企业经营风险特征数据信息提取方法和提取*** | |
CN108399428B (zh) | 一种基于迹比准则的三元组损失函数设计方法 | |
CN111753101B (zh) | 一种融合实体描述及类型的知识图谱表示学习方法 | |
CN113779272B (zh) | 基于知识图谱的数据处理方法、装置、设备及存储介质 | |
CN115511118A (zh) | 一种基于人工智能的供热***故障辅助决策方法及*** | |
CN111914550B (zh) | 一种面向限定领域的知识图谱更新方法及*** | |
CN114756686A (zh) | 一种基于知识图谱的知识推理和故障诊断方法 | |
CN114528221B (zh) | 一种基于异质图神经网络的软件缺陷预测方法 | |
CN116484024A (zh) | 一种基于知识图谱的多层次知识库构建方法 | |
CN116245107B (zh) | 电力审计文本实体识别方法、装置、设备及存储介质 | |
Jeyaraman et al. | Data Engineering Evolution: Embracing Cloud Computing, Machine Learning, and AI Technologies | |
CN117473102B (zh) | 一种基于标签混淆学习的bim知识图谱构建方法和*** | |
CN110717602A (zh) | 一种基于噪音数据的机器学习模型鲁棒性评估方法 | |
CN117151222A (zh) | 领域知识引导的突发事件案例实体属性及其关系抽取方法、电子设备和存储介质 | |
CN117196033A (zh) | 基于异构图神经网络的无线通信网络知识图谱表示学习方法 | |
CN112348108A (zh) | 一种基于众包模式的样本标注方法 | |
CN115601007A (zh) | 一种复杂机电***全生命周期诊断推理与维护决策方法 | |
CN114742564A (zh) | 一种融合复杂关系的虚假评论者群体检测方法 | |
CN114820074A (zh) | 基于机器学习的目标用户群体预测模型构建方法 | |
CN114579761A (zh) | 信息安全知识实体关系连接预测方法、***及介质 | |
CN113283243A (zh) | 一种实体与关系联合抽取的方法 | |
Sohail et al. | Interpretable and Adaptable Early Warning Learning Analytics Model. | |
CN111339258A (zh) | 基于知识图谱的大学计算机基础习题推荐方法 | |
Lemghari et al. | Handling noisy annotations in deep supervised learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201218 |