CN112417171A - 面向知识图谱表示学习的数据增广方法 - Google Patents

面向知识图谱表示学习的数据增广方法 Download PDF

Info

Publication number
CN112417171A
CN112417171A CN202011319011.8A CN202011319011A CN112417171A CN 112417171 A CN112417171 A CN 112417171A CN 202011319011 A CN202011319011 A CN 202011319011A CN 112417171 A CN112417171 A CN 112417171A
Authority
CN
China
Prior art keywords
triples
knowledge graph
candidate
rule
knowledge
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.)
Granted
Application number
CN202011319011.8A
Other languages
English (en)
Other versions
CN112417171B (zh
Inventor
胡伟
李光耀
孙泽群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University
Original Assignee
Nanjing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University filed Critical Nanjing University
Priority to CN202011319011.8A priority Critical patent/CN112417171B/zh
Publication of CN112417171A publication Critical patent/CN112417171A/zh
Application granted granted Critical
Publication of CN112417171B publication Critical patent/CN112417171B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种面向知识图谱表示学习的数据增广方法，包括以下步骤：给定一个知识图谱，首先将当前知识图谱中的三元组作为已观测到的事实，并从中挖掘逻辑规则。接下来，通过规则实例化步骤，利用当前观测到的事实推导出含有部分噪声的潜在事实，将其作为用于增广的候选三元组。由于表示学习模型对三元组存在一定辨别能力，本发明基于当前观测到的事实训练得到一个知识图谱嵌入模型。最后，通过结合嵌入模型，对候选三元组进行验证，过滤出噪声，得到增广三元组并补充进当前知识图谱中。重复上述步骤直到达到迭代最大次数。应用本发明能够对知识图谱进行用户可理解的数据增广，并提升知识图谱表示学习的效果。

Description

面向知识图谱表示学习的数据增广方法
技术领域
本发明涉及知识图谱技术领域，尤其涉及一种面向知识图谱表示学习的数据增广方法。
背景技术
2012年，Google公司首次提出了一个新的概念——知识图谱，其通过引入知识图谱来结构化关于搜索目标的信息，以此提高搜索的质量。从内容上看，知识图谱主要由相互连接的实体和他们的属性构成；而本质上，其可被视作基于语义网络构建的知识库，其中每条知识可以由一条三元组表示。例如(法国，首都，巴黎)，刻画了真实世界中的一条知识(事实)：法国的首都是巴黎。由于真实世界很多场景都适用于用知识图谱进行表示，近年来，关于知识图谱的构建以及应用工作成为一个新的研究热点。当前，一大批优质的知识图谱在业界涌现，例如Freebase等，其被广泛应用于真实世界应用中。由于知识图谱是基于符号的结构化数据，其不易直接应用于其他任务中，因此如何处理这种符号表示成为一个重要挑战。
该研究问题被称为知识图谱的表示学习(或知识图谱的嵌入)。知识图谱表示学习的目的是希望通过将整个知识图谱中的元素向量化，来辅助真实世界中的下游任务。该问题被建模成从符号表示到向量表示的映射，同时要求在向量空间的新表示能尽可能蕴含原来符号空间中的结构信息。研究表明，表示学习这个过程通常依赖大量的三元组来捕捉潜在的语义模式。然而，知识图谱天然是不完备的，其蕴含的知识通常是受限的，这一特点导致模型学出来的嵌入表示通常表达能力不强。直觉上，为知识图谱进行数据增广，丰富知识图谱表示学习所需的数据资料，该策略是一种可行的解决方案。
在计算机视觉领域，数据增广已被证明是一种简单、有效的技巧，并得到广泛使用。由于图片自身具有的特点，平移、旋转、缩放等方式是非常自然的数据增广方式。然而在知识图谱中，一条结构化的知识，只要变动一点点，该三元组表达的含义可能就会发生巨大的变化，这导致知识图谱领域中的数据增广操作并不平凡。注意到，在知识图谱中，通常使用逻辑规则来进行知识推理，而逻辑规则本身就蕴含了某种泛化的背景信息，这使得利用逻辑规则来进行数据增广成为了一种可行的方案。
在上述过程中，利用逻辑规则进行数据增广的一个关键在于如何保证增广数据的质量。尽管逻辑规则通常比较准确，但仍然很难保证其推理出的新知识的质量。由于增广的数据用户很难辨别，使得通过人工方式进行过滤这种方式具有很大的成本。基于此，设计一种自动化的处理方式来保证增广数据的质量显得非常必要。同时，由于很难保证增广数据的完全准确性，处理中还需要提供一种潜在机制保证对于用户而言增广数据是可理解的，从而使得整个增广过程是用户可控的。
现有方法鲜有关注于对知识图谱进行数据增广，尽管一些方法通过种种策略来生成新三元组，但这种生成过程是用户不可理解的，且生成三元组的质量没有得到细致考虑。
发明内容
发明目的：针对上述现有技术存在的问题和不足，本发明的目的是提供一种面向知识图谱表示学习的数据增广方法，该方法可以利用逻辑规则蕴含的丰富背景信息，不断为知识图谱补充用户可理解的、高质量的增广三元组。本发明能在丰富原始知识图谱信息的同时，保证增广数据的质量，提升表示学习的效果，并为用户提供增广数据的直观解释。
技术方案：为实现上述发明目的，本发明采用的技术方案为一种面向知识图谱表示学习的数据增广方法，包括以下步骤：
(1.1)对于当前给定的知识图谱，用关联规则挖掘算法从中挖掘出逻辑规则；
(1.2)基于所述步骤(1.1)得到的逻辑规则，结合当前知识图谱中观测到的事实进行推导，对所述逻辑规则实例化，从而得到待增广的候选三元组；
(1.3)对于当前给定的知识图谱，使用表示学习模型得到实体、关系的嵌入表示；
(1.4)基于所述步骤(1.2)和所述步骤(1.3)，利用知识图谱的嵌入表示对所述候选三元组进行验证，从中过滤出噪声，将过滤后的候选三元组作为增广三元组补充进当前知识图谱中；
(1.5)重复所述步骤(1.1)至(1.4)，直到达到迭代最大次数。
进一步地，所述步骤(1.2)包括以下步骤：
(2.1)遍历挖掘到的每条逻辑规则，针对所述逻辑规则中的规则体，使用具体的实体对所述规则体中的实体变量实例化，同时限制实例化后规则体中的每个三元组都来自于当前给定的知识图谱，在实例化规则体后，规则头也随之被实例化，从而得到实例化后的逻辑规则；
(2.2)将实例化后的逻辑规则中的规则头作为待增广的候选三元组，并将所述实例化后的逻辑规则作为知识图谱增广的解释。
进一步地，所述步骤(1.4)包括以下步骤：
(3.1)使用当前知识图谱的嵌入模型对所有候选三元组进行打分，分数代表所述候选三元组为真的概率；
(3.2)设置一个阈值，将所述候选三元组中分数小于所述阈值的标注为反例；
(3.3)利用所述逻辑规则为所述候选三元组之间建立传播影响结构，且每一种所述传播影响结构对应一个具体的打分更新公式；
(3.4)使用所述标注为反例的候选三元组，寻找和其余候选三元组之间建立的传播影响结构，并依据对应的打分更新公式，对其余候选三元组进行打分更新；
(3.5)在分数修正后的候选三元组中，挑选出分数大于等于所述阈值的候选三元组作为增广三元组。
有益效果：(1)为知识图谱进行自动化数据增广，且无需额外引入外部信息，在保障增广数据质量的同时，也提升了知识图谱表示学习的能力。(2)整个增广过程是用户可理解的，在整个增广过程中，不仅提供增广三元组，还提供对该三元组进行增广的依据，作为对用户的解释，从而方便用户校验，使得整个增广过程可控。
附图说明
图1是本发明的整体流程图；
图2是本发明设计的三元组之间的传播影响结构示意图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明利用逻辑规则推理出潜在知识作为候选三元组，同时推理的过程作为对用户的解释。通过一个嵌入模型对候选三元组打分，并利用逻辑规则为三元组建立传播影响机制，自动标注候选集中的反例三元组，并将标注的影响传播至其余三元组中，以调整整个候选集打分的分布情况。根据最后的分数分布，挑选出潜在正例作为增广三元组进行补充。整个流程不断迭代，使得数据增广模块与表示学习模块相互促进。
本发明的整体流程如图1所示，包括5个部分：根据当前知识图谱中的三元组信息运用关联规则挖掘算法挖掘霍恩规则(简称规则)，根据规则推导出用于增广的候选三元组集合，运用表示学习模型在当前知识图谱中训练得到实体、关系的嵌入表示，运用嵌入表示对候选三元组进行过滤得到增广三元组并补充进知识图谱中，以及重复上述部分使得数据增广模块与表示学习模块相互促进。
具体实施方式分别说明如下：
1.根据当前知识图谱中的三元组信息运用关联规则挖掘算法挖掘规则
对于当前给定的一个知识图谱，将其中蕴含的三元组作为已知知识。使用一个主流的关联规则挖掘算法AMIE，进行挖掘。挖掘出的规则带有一个置信度，用于表示该规则的准确程度。本发明中，根据不同规模的知识图谱，用户可以设置相对应的规则置信度阈值以及限制规则体的长度，从而保证增广数据的质量，以及规则挖掘的时间开销在合理范围之内，例如将规则置信度阈值设置为0.8，规则体长度限制为2。
2.根据规则推导出用于增广的候选三元组集合
利用规则生成用于增广的候选三元组，其主要分为如下两个子步骤：
(1)由于挖掘到的规则中含有实体变量，本发明通过具体的实体对变量进行实例化，从而得到实例化的规则。在实例化阶段，限制只能使用当前观测到的三元组去实例化规则体，同时在规则体实例化后，规则头也随之被实例化了。为了确保推导出的三元组是未知的，需要保证实例化后的规则头没有出现在当前观测到的三元组中，从而确保增广数据具有的信息量；
(2)在得到实例化的规则后，可以将实例化的结果视作为一个正向的推理过程。实例化后的规则体是已知知识，实例化后的规则头是推导出的未知知识。因此，实例化后的规则可以作为三元组增广的依据和解释。最后，收集所有实例化后规则的规则头，将其组合成数据增广的候选三元组集合。
3.运用表示学习模型在当前知识图谱中训练得到实体、关系的嵌入表示
本发明使用一种主流的知识图谱表示学习模型——TransE，对当前知识图谱进行训练，得到训练好的嵌入模型，使其对未知三元组具有一定的预测能力。由于整个处理流程是一种迭代式的处理方式，本发明采用增量式的学习过程，通过初始化参数的设置，达到增量学习的效果。具体措施如下：
(1)在第一次训练时，采用常规方式对模型参数进行随机初始化；
(2)在后面的迭代过程中，每次使用上一轮学习到的模型参数对当前模型进行初始化。通过更好的初始值，使得模型能够收敛到更优的结果上。
4.运用嵌入表示对候选三元组进行过滤得到增广三元组并补充进知识图谱中
使用当前训练得到的嵌入模型对候选三元组进行打分，从而得到在候选三元组上的一个初始分数分布，分数表示该三元组为正例的可能性；
为了保证增广三元组的质量，设置一个阈值，例如0.5，将初始分数小于阈值的三元组自动标注为反例，这些三元组可以被直接过滤，其一定不会被作为增广数据补充进知识图谱中。而分数大于等于阈值的候选三元组作为潜在正例，其需要后续进一步过滤；
使用规则为候选三元组之间建立传播影响结构。本发明主要关注保证增广数据的质量，即希望尽可能降低候选集中反例的分数，因此主要针对标注为反例的情况进行设计。如图2所示，本发明主要设计了三种传播结构，其中t表示三元组，μ表示规则。核心思想是利用逆否命题与原命题的等价性。规则为候选三元组之间建立了联系，通过将三元组视为一个命题，那么正向的推理过程可以视作为一个原命题，即一个三元组是正确的，通过该规则可以推导出另一个三元组也是正确的。其逆否命题就是已知该三元组是错误的，那么根据该规则可以推导出另一个三元组可能也是错误的。图2中，实心圈表示标注为反例的三元组(t1、t3和t6)，实线空心圈表示需要被影响的三元组(t2、t4、t5与t8)，虚线空心圈表示当前观测到的三元组(t7)。第一种传播结构就是最基本的逆否命题思路；第二种传播结构是指在原命题中需要由两个三元组共同推导出结论，那么在逆否命题中，原先的两个三元组可能有一个是错误的；第三种传播结构是指已知两个原命题，且有一个推导是错误的，同时该推导过程的规则置信度大于另一个原命题，那么可以怀疑另一个原命题的推导过程可能也是错误的。最后，通过上述三种传播结构，利用规则为候选三元组之间建立传播联系。同时，针对三种传播结构的特点，需要设计对应的更新公式。本发明主要基于两种直观认识：如果规则的置信度越高，则逆否命题的推理过程越准确，那么传播受到的影响就应越剧烈；如果当前反例为假的可能性越大，传播受到的影响也要越剧烈。下面是四个具体的更新公式，对应于上述的三种传播结构：
p(t2)＝min(0,p(t2)-(1-p(t1))·λ1),
Figure BDA0002792229110000061
Figure BDA0002792229110000062
p(t8)＝min(0,p(t8)-(1-p(t6))·λ4),
其中p(t)表示三元组的打分，λ表示对应规则μ的置信度；
针对候选三元组之间的传播影响结构，遍历每一个标注的反例，寻找和其余三元组之间建立的传播影响结构，并依据对应的打分更新公式，对其余三元组进行打分更新。同时为了进一步扩大传播影响，假设当前被影响到的三元组也为反例，用该三元组继续更新其余三元组的打分；
在整个候选三元组的分数得到修正之后，将最终分数大于等于阈值0.5的三元组作为增广数据，补充进当前的知识图谱中。
5.重复上述部分使得数据增广模块与表示学习模块相互促进
上述部分共同组成了一轮迭代。通过重复上述部分进行多轮迭代，可以使得数据增广模块与表示学习模块相互促进。为了降低多轮迭代导致的时间开销，选择2作为最大迭代次数。一方面，随着多轮的数据增广，规则挖掘部分可以捕捉到丰富的语义模式，以及挖掘到大量可靠的规则。表1展示了在两个广泛使用的基准数据集上本发明中规则挖掘以及数据增广的情况。在两个数据集上，增广的三元组个数可以占到原始数据的4％至30％。
表1：本发明中规则挖掘以及数据增广的情况
数据集 挖掘到的规则数 原有三元组个数 增广三元组个数
WN18 41 141442 6667
FB15K 896 483142 152760
另一方面，随着多轮迭代，知识图谱得到极大丰富，嵌入模型可以以更加显式的方式捕捉实体与关系之间的联系，从而获得更强的嵌入表示。在上述两个数据集上使用链接预测任务对模型进行测试，表2是测试结果，可以发现经过多轮数据增广后，可以显著提升原始表示学习模型的效果。例如，在WN18上，相比于原始的TransE模型，各项指标提升了近0.01，而在关系更为稠密的数据集FB15K上，能够提升0.04至0.07。
表2：本发明对知识图谱表示学习模型的促进情况
Figure BDA0002792229110000081
同时，本发明可以向用户提供增广三元组的解释，作为增广依据。表3展示了一些增广三元组的解释示例。例如其中一个增广三元组(Johnny Depp,nationality,U.S.A.)，该增广的依据是Johnny Depp的出生地是Kentucky，而Kentucky是美国的一个州，故JohnnyDepp的国籍可能是美国。这样的解释可以方便用户检验，使得整个增广过程可控。
表3：本发明为用户提供增广三元组解释的示例
Figure BDA0002792229110000082

Claims (3)

1.一种面向知识图谱表示学习的数据增广方法，其特征在于，包括以下步骤：
(1.1)对于当前给定的知识图谱，用关联规则挖掘算法从中挖掘出逻辑规则；
(1.2)基于所述步骤(1.1)得到的逻辑规则，结合当前知识图谱中观测到的事实进行推导，对所述逻辑规则实例化，从而得到待增广的候选三元组；
(1.3)对于当前给定的知识图谱，使用表示学习模型得到实体、关系的嵌入表示；
(1.4)基于所述步骤(1.2)和所述步骤(1.3)，利用知识图谱的嵌入表示对所述候选三元组进行验证，从中过滤出噪声，将过滤后的候选三元组作为增广三元组补充进当前知识图谱中；
(1.5)重复所述步骤(1.1)至(1.4)，直到达到迭代最大次数。
2.根据权利要求1所述的面向知识图谱表示学习的数据增广方法，其特征在于，所述步骤(1.2)包括以下步骤：
(2.1)遍历挖掘到的每条逻辑规则，针对所述逻辑规则中的规则体，使用具体的实体对所述规则体中的实体变量实例化，同时限制实例化后规则体中的每个三元组都来自于当前给定的知识图谱，在实例化规则体后，规则头也随之被实例化，从而得到实例化后的逻辑规则；
(2.2)将实例化后的逻辑规则中的规则头作为待增广的候选三元组，并将所述实例化后的逻辑规则作为知识图谱增广的解释。
3.根据权利要求2所述的面向知识图谱表示学习的数据增广方法，其特征在于，所述步骤(1.4)包括以下步骤：
(3.1)使用当前知识图谱的嵌入模型对所有候选三元组进行打分，分数代表所述候选三元组为真的概率；
(3.2)设置一个阈值，将所述候选三元组中分数小于所述阈值的标注为反例；
(3.3)利用所述逻辑规则为所述候选三元组之间建立传播影响结构，且每一种所述传播影响结构对应一个具体的打分更新公式；
(3.4)使用所述标注为反例的候选三元组，寻找和其余候选三元组之间建立的传播影响结构，并依据对应的打分更新公式，对其余候选三元组进行打分更新；
(3.5)在分数修正后的候选三元组中，挑选出分数大于等于所述阈值的候选三元组作为增广三元组。
CN202011319011.8A 2020-11-23 2020-11-23 面向知识图谱表示学习的数据增广方法 Active CN112417171B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011319011.8A CN112417171B (zh) 2020-11-23 2020-11-23 面向知识图谱表示学习的数据增广方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011319011.8A CN112417171B (zh) 2020-11-23 2020-11-23 面向知识图谱表示学习的数据增广方法

Publications (2)

Publication Number Publication Date
CN112417171A true CN112417171A (zh) 2021-02-26
CN112417171B CN112417171B (zh) 2023-10-03

Family

ID=74778440

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011319011.8A Active CN112417171B (zh) 2020-11-23 2020-11-23 面向知识图谱表示学习的数据增广方法

Country Status (1)

Country Link
CN (1) CN112417171B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113626612A (zh) * 2021-08-13 2021-11-09 第四范式（北京）技术有限公司 一种基于知识图谱推理的预测方法和***
CN113722611A (zh) * 2021-08-23 2021-11-30 讯飞智元信息科技有限公司 政务服务的推荐方法、装置、设备及计算机可读存储介质
CN114741460A (zh) * 2022-06-10 2022-07-12 山东大学 基于规则间关联的知识图谱数据扩展方法及***
CN116955653A (zh) * 2023-09-20 2023-10-27 首都信息发展股份有限公司 知识图谱的数据增强方法、装置及电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3156949A2 (en) * 2015-10-16 2017-04-19 Baidu USA LLC Systems and methods for human inspired simple question answering (hisqa)
CN108304933A (zh) * 2018-01-29 2018-07-20 北京师范大学 一种知识库的补全方法及补全装置
CN109614495A (zh) * 2018-08-08 2019-04-12 广州初星科技有限公司 一种结合知识图谱和文本信息的相关公司挖掘方法
CN109948150A (zh) * 2019-03-01 2019-06-28 北京航空航天大学 一种多域环境中基于知识图谱的高性能服务语境发现方法
CN111144570A (zh) * 2019-12-27 2020-05-12 福州大学 一种联合逻辑规则和置信度的知识表示方法
CN111191460A (zh) * 2019-12-30 2020-05-22 福州大学 一种结合逻辑规则和碎片化知识的关系预测方法
CN111783902A (zh) * 2020-07-30 2020-10-16 腾讯科技（深圳）有限公司 数据增广、业务处理方法、装置、计算机设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3156949A2 (en) * 2015-10-16 2017-04-19 Baidu USA LLC Systems and methods for human inspired simple question answering (hisqa)
CN108304933A (zh) * 2018-01-29 2018-07-20 北京师范大学 一种知识库的补全方法及补全装置
CN109614495A (zh) * 2018-08-08 2019-04-12 广州初星科技有限公司 一种结合知识图谱和文本信息的相关公司挖掘方法
CN109948150A (zh) * 2019-03-01 2019-06-28 北京航空航天大学 一种多域环境中基于知识图谱的高性能服务语境发现方法
CN111144570A (zh) * 2019-12-27 2020-05-12 福州大学 一种联合逻辑规则和置信度的知识表示方法
CN111191460A (zh) * 2019-12-30 2020-05-22 福州大学 一种结合逻辑规则和碎片化知识的关系预测方法
CN111783902A (zh) * 2020-07-30 2020-10-16 腾讯科技（深圳）有限公司 数据增广、业务处理方法、装置、计算机设备和存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LI GUANG YAO等: "rule-based data augmentation for knowledge graph embedding", AI OPEN, vol. 2, pages 186 - 196, XP093055466, DOI: 10.1016/j.aiopen.2021.09.003 *
刘绍南;杨鸿波;侯霞;: "文物知识图谱的构建与应用探讨", 中国博物馆, no. 04, pages 118 - 125 *
谭晓;张志强;: "知识图谱研究进展及其前沿主题分析", 图书与情报, no. 02, pages 50 - 63 *
阳小华;张硕望;欧阳纯萍;: "中文关系抽取技术研究", 南华大学学报(自然科学版), vol. 32, no. 01, pages 66 - 72 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113626612A (zh) * 2021-08-13 2021-11-09 第四范式（北京）技术有限公司 一种基于知识图谱推理的预测方法和***
CN113722611A (zh) * 2021-08-23 2021-11-30 讯飞智元信息科技有限公司 政务服务的推荐方法、装置、设备及计算机可读存储介质
CN113722611B (zh) * 2021-08-23 2024-03-08 讯飞智元信息科技有限公司 政务服务的推荐方法、装置、设备及计算机可读存储介质
CN114741460A (zh) * 2022-06-10 2022-07-12 山东大学 基于规则间关联的知识图谱数据扩展方法及***
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***
CN116955653A (zh) * 2023-09-20 2023-10-27 首都信息发展股份有限公司 知识图谱的数据增强方法、装置及电子设备

Also Published As

Publication number Publication date
CN112417171B (zh) 2023-10-03

Similar Documents

Publication Publication Date Title
CN112417171A (zh) 面向知识图谱表示学习的数据增广方法
CN108256065B (zh) 基于关系检测和强化学习的知识图谱推理方法
CN109784149B (zh) 一种人体骨骼关键点的检测方法及***
CN108090499A (zh) 基于最大信息三元组筛选网络的数据主动标注方法和***
WO2020232840A1 (zh) 基于神经网络结构搜索的车辆多属性识别方法、装置、介质
CN114780691B (zh) 模型预训练及自然语言处理方法、装置、设备及存储介质
CN114791958B (zh) 一种基于变分自编码器的零样本跨模态检索方法
CN106294662A (zh) 基于上下文感知主题的查询表示及混合检索模型建立方法
CN115964459B (zh) 基于食品安全认知图谱的多跳推理问答方法及***
CN113239131A (zh) 基于元学习的少样本知识图谱补全方法
CN110765781A (zh) 一种领域术语语义知识库人机协同构建方法
Cohen et al. A provably correct learning algorithm for latent-variable PCFGs
CN113869424A (zh) 基于双通道图卷积网络的半监督节点分类方法
CN115269861A (zh) 基于生成式对抗模仿学习的强化学习知识图谱推理方法
CN113033410B (zh) 基于自动数据增强的域泛化行人重识别方法、***及介质
CN114399661A (zh) 一种实例感知主干网络训练方法
CN111914772B (zh) 识别年龄的方法、年龄识别模型的训练方法和装置
CN113032582A (zh) 一种基于知识图谱建立实体统一模型及实体统一方法
CN103150329A (zh) 双语文本的词语对齐方法及装置
CN116737956A (zh) 一种面向多模态知识图谱的实体对齐方法及装置
CN116701647A (zh) 基于嵌入向量与迁移学习融合的知识图谱补全方法及装置
CN111144134A (zh) 基于OpenKiWi的翻译引擎自动化评测***
CN115035304A (zh) 一种基于课程学习的图像描述生成方法及***
Xu et al. Bayesian network structure learning using causality
CN111553173A (zh) 自然语言生成训练方法和装置

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
GR01 Patent grant
GR01 Patent grant