CN112434812B - 一种基于对偶四元数的知识图谱链接预测方法及*** - Google Patents
一种基于对偶四元数的知识图谱链接预测方法及*** Download PDFInfo
- Publication number
- CN112434812B CN112434812B CN202011346008.5A CN202011346008A CN112434812B CN 112434812 B CN112434812 B CN 112434812B CN 202011346008 A CN202011346008 A CN 202011346008A CN 112434812 B CN112434812 B CN 112434812B
- Authority
- CN
- China
- Prior art keywords
- knowledge graph
- quaternion
- dual
- triplet
- data
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/027—Frames
-
- 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)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于对偶四元数的知识图谱链接预测方法及***,该方法包括:加载数据并对数据进行解析,得到知识图谱的三元组数据;根据知识图谱的三元组数据对预设的对偶四元数知识图谱模型进行训练和参数调整,得到训练完成的对偶四元数的知识图谱模型;根据训练完成的对偶四元数的知识图谱模型对待测三元组进行预测,得到预测结果。该***包括:数据加载模块、模型训练模块和链接预测模块。通过使用本发明,能够有效有效利用对偶四元数的特性解决知识图谱中头实体和尾实体之间有多个关系的问题。本发明作为一种基于对偶四元数的知识图谱链接预测方法及***,可广泛应用于知识图谱领域。
Description
技术领域
本发明属于知识图谱领域,尤其涉及一种基于对偶四元数的知识图谱链接预测方法及***。
背景技术
知识图谱中,每个事实都可以用三元组(h,r,t)表示,其中h表示头实体,t表示尾实体,r表示头实体和尾实体的关系。知识图谱表示学习是知识图谱领域的一项基本而富有挑战性的工作,已成为知识图谱补全的重要组成部分。知识图谱表示学习(知识图谱嵌入)通过将知识图谱中的实体和关系映射到低维空间向量从而捕获到他们之间的的语义信息。实际场景中的实体之间有多个关系,而且这些关系是完全不相关的。但是,目前的知识图谱表示学习模型忽略了这一方面,缺乏对知识图谱中实体之间关系多样性的问题的考虑。
发明内容
为了解决上述技术问题,本发明的目的是提供一种基于对偶四元数的知识图谱链接预测方法及***,利用纯四元数向量表示实体,单位对偶四元数向量表示关系,将关系建模为三维空间的旋转和平移的结合,有效地解决头实体和尾实体之间有多种关系的问题。
本发明所采用的第一技术方案是:一种基于对偶四元数的知识图谱链接预测方法,包括以下步骤:
加载数据并对数据进行解析,得到知识图谱的三元组数据;
根据知识图谱的三元组数据对预设的对偶四元数知识图谱模型进行训练和参数调整,得到训练完成的对偶四元数的知识图谱模型;
根据训练完成的对偶四元数的知识图谱模型对待测三元组进行预测,得到预测结果。
进一步,所述预设的对偶四元数知识图谱模型包括对偶四元数知识图谱嵌入模块、评分函数模块、负采样模块和损失函数模块。
进一步,所述根据知识图谱的三元组数据对预设的对偶四元数知识图谱模型进行训练和参数调整,得到训练完成的对偶四元数的知识图谱模型这一步骤,其具体包括:
对知识图谱的三元组数据进行处理,得到实体和关系索引;
基于四元数向量对知识图谱中的实体和关系进行初始化;
构建三元组的得分函数;
根据知识图谱的三元组数据生成负样本;
根据知识图谱的三元组数据和负样本构建损失函数并基于损失函数对得分函数进行参数调整,得到训练完成的对偶四元数的知识图谱模型参数。
进一步,所述基于四元数向量对知识图谱中的实体和关系进行初始化这一步骤,其具体还包括:
对知识图谱中的实体用纯四元数向量初始化;
对知识图谱中的关系用单位对偶四元数向量初始化。
进一步,所述根据知识图谱的三元组数据生成负样本这一步骤,其具体为:
对于一个正确的三元组,随机替换该三元组中的头实体和尾实体形成负样本。
进一步,所述得分函数表达式如下:
上式中,所述表示知识图谱图谱中的关系用单位对偶四元数向量初始化,对偶四元数,/>表示对偶四元数的共轭,/>表示对偶四元数乘法,/>表示知识图谱中的实体用纯四元数向量初始化,所述∈是对偶单位且满足∈2=0。
进一步,所述损失函数表达式如下:
上式中,γ为超参数,所述fr(h,t)表示正样本得分,所述fr(h′i,t′i)表示负样本得分。
进一步,所述根据训练完成的对偶四元数的知识图谱模型对待测三元组进行预测,得到预测结果这一步骤,其具体包括:
将待测三元组输入到训练完成的对偶四元数的知识图谱模型并计算出该三元组的得分;
根据得分得到预测结果,判断该三元组是否是事实。
本发明所采用的第二技术方案是:一种基于对偶四元数的知识图谱链接预测***,包括以下模块:
数据加载模块,用于加载数据并对数据进行解析,得到知识图谱的三元组数据;
模型训练模块,用于根据知识图谱的三元组数据对预设的对偶四元数知识图谱模型进行训练和参数调整,得到训练完成的对偶四元数的知识图谱模型;
链接预测模块,用于根据训练完成的对偶四元数的知识图谱模型对待测三元组进行预测,得到预测结果。
进一步,所述模型训练模块还包括以下模块:
对偶四元数知识图谱嵌入模块,用于对知识图谱的三元组数据进行处理,得到实体和关系索引,基于四元数向量对知识图谱中的实体和关系进行初始化。
评分函数模块,用于构建三元组的得分函数并得到三元组的得分;
负采样模块,用于根据知识图谱的三元组数据生成负样本;
损失函数模块,用于根据知识图谱的三元组数据和负样本构建损失函数并基于损失函数对得分函数进行参数调整。
本发明方法及***的有益效果是:本发明利用对偶四元数对知识图谱进行编码,通过学***移的结合,有效利用对偶四元数的特性解决知识图谱中头实体和尾实体之间有多个关系的问题。
附图说明
图1是本发明具体实施例一种基于对偶四元数的知识图谱链接预测方法的步骤流程图;
图2是本发明具体实施例一种基于对偶四元数的知识图谱链接预测***的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
如图1所示,本发明提供了一种基于对偶四元数的知识图谱链接预测方法,该方法包括以下步骤:
S1、加载数据并对数据进行解析,得到知识图谱的三元组数据;
S2、根据知识图谱的三元组数据对预设的对偶四元数知识图谱模型进行训练和参数调整,得到训练完成的对偶四元数的知识图谱模型;
S3、根据训练完成的对偶四元数的知识图谱模型对待测三元组进行预测,得到预测结果。
进一步作为本方法的优选实施例,所述预设的对偶四元数知识图谱模型包括对偶四元数知识图谱嵌入模块、评分函数模块、负采样模块和损失函数模块。
进一步作为本方法优选实施例,所述根据知识图谱的三元组数据对预设的对偶四元数知识图谱模型进行训练和参数调整,得到训练完成的对偶四元数的知识图谱模型这一步骤,其具体包括:
对知识图谱的三元组数据进行处理,得到实体和关系索引;
基于四元数向量对知识图谱中的实体和关系进行初始化;
具体地,对知识图谱的三元组(h,r,t)进行处理,为实体和关系建立索引,均匀分布初始化知识图谱实体和关系的向量表示,通过关系向量建模知识图谱中实体对多种无语义联系的关系。
构建三元组的得分函数;
根据知识图谱的三元组数据生成负样本;
根据知识图谱的三元组数据和负样本构建损失函数并基于损失函数对得分函数进行参数调整,得到训练完成的对偶四元数的知识图谱模型参数。
进一步作为本发明的优选实施例,所述基于四元数向量对知识图谱中的实体和关系进行初始化这一步骤,其具体还包括:
对知识图谱中的实体用纯四元数向量初始化;
具体地,在知识图谱实体嵌入中,将实体向量中的每一维度映射到三维空间,用出纯四元数建模知识图谱中的实体向量表示。知识图谱中的实体用纯四元数向量初始化,用符号向量表示。
四元数的定义拓展自复数,与复数不同的是,四元数一共有三个虚部,可以定义为:
q=a+bi+cj+dk
对于i,j,k满足:
i2=j2=k2=ijk=-1
当四元数的实部为零时,我们定义此四元数为纯四元数,如下所示:
q=bi+cj+dk
本发明中用纯四元数对知识图谱中实体向量进行嵌入。
对知识图谱中的关系用单位对偶四元数向量初始化。
具体地,通过关系向量建模能够表示知识图谱中实体对多种无语义联系的关系。对知识图谱图谱中的关系向量用单位对偶四元数初始化,用符号向量表示。通过单位对偶四元数将知识图谱中的关系映射为三位空间旋转和平移的结合,通过不同的旋转和平移的结合表示头实体和尾实体中无语义联系的多关系。
对偶四元数是对对偶数的扩展,同时结合四元数。形式上,我们定义对偶四元数:
δ=p+∈q
其中,p和q都是四元数,∈是对偶单位且满足∈2=0。对偶四元素可以拓展成以下形式:
δ=p0+p1i+p2j+p3k+∈(q0+q1i+q2j+q3k)
当对偶四元素与自己本身的共轭乘积为1时,即:
我们称此对偶四元数为单位对偶四元数。根据上述条件,单位对偶四元数满足:
p0q0+p1q1+p2q2+p3q3=0
利用上述条件求解单位对偶四元数需要很大计算量,且只能穷举求解。所以我们采用了另一种方式计算单位对偶四元数。定义四元数:其中u是单位纯四元数且。定义纯四元数:n=n1i+n2j+n3k。最后,我们用如下方式计算单位对偶四元数:
通过上述计算方法,关系向量的每一维度都是单位对偶四元数,在表示学***移区分知识图谱中实体对之间的多个无语义联系的关系。
进一步作为本发明优选实施例,所述根据知识图谱的三元组数据生成负样本这一步骤,其具体为:
对于一个正确的三元组,随机替换该三元组中的头实体和尾实体形成负样本。
具体地,对于一个正确的三元组(h,r,t),随机替换其中的头实体(h′,r,t)和尾实体(h,r,t′)形成负样本。
进一步作为本发明优选实施例,所述得分函数表达式如下:
上式中,所述表示知识图谱图谱中的关系用单位对偶四元数向量初始化,对偶四元数,/>表示对偶四元数的共轭,/>表示对偶四元数乘法,/>表示知识图谱中的实体用纯四元数向量初始化,所述∈是对偶单位且满足∈2=0。
对于对偶四元数δ1=p1+∈q1和δ2=p2+∈q2,则有对偶四元数乘法如下定义:
p1p2、p1q2和q1p2表示四元数乘法。四元数的乘法我们有如下定义:四元数p=p0+p1i+p2j+p3k和p=q0+q1i+q2j+q3k,我们定义两数之积如下:
pq=p0q0-p1q1-p2q2-p3q3+(p0q1-p1q0-p2q3-p3q2)i+(p0q2-p1q3-p2q0-p3q1)j+(p0q3-p1q3-p2q1-p3q0)k
进一步作为本方法的优选实施例,所述损失函数表达式如下:
上式中,γ为超参数,所述fr(h,t)表示正样本得分,所述fr(h′i,t′i)表示负样本得分。
进一步作为本方法的优选实施例,所述根据训练完成的对偶四元数的知识图谱模型对待测三元组进行预测,得到预测结果这一步骤,其具体包括:
将待测三元组输入到训练完成的对偶四元数的知识图谱模型并计算出该三元组的得分;
根据得分得到预测结果,判断该三元组是否是事实。
如图2所示,一种基于对偶四元数的知识图谱链接预测***,包括以下模块:
数据加载模块,用于加载数据并对数据进行解析,得到知识图谱的三元组数据;
模型训练模块,用于根据知识图谱的三元组数据对预设的对偶四元数知识图谱模型进行训练和参数调整,得到训练完成的对偶四元数的知识图谱模型;
链接预测模块,用于根据训练完成的对偶四元数的知识图谱模型对待测三元组进行预测,得到预测结果。
进一步作为本***的优选实施例,所述模型训练模块还包括以下模块:
对偶四元数知识图谱嵌入模块,用于对知识图谱的三元组数据进行处理,得到实体和关系索引,基于四元数向量对知识图谱中的实体和关系进行初始化。
评分函数模块,用于构建三元组的得分函数并得到三元组的得分;
负采样模块,用于根据知识图谱的三元组数据生成负样本;
损失函数模块,用于根据知识图谱的三元组数据和负样本构建损失函数并基于损失函数对得分函数进行参数调整。
上述***实施例中的内容均适用于本方法实施例中,本方法实施例所具体实现的功能与上述***实施例相同,并且达到的有益效果与上述***实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (6)
1.一种基于对偶四元数的知识图谱链接预测方法,其特征在于,包括以下步骤:
加载数据并对数据进行解析,得到知识图谱的三元组数据;
根据知识图谱的三元组数据对预设的对偶四元数知识图谱模型进行训练和参数调整,得到训练完成的对偶四元数的知识图谱模型;
根据训练完成的对偶四元数的知识图谱模型对待测三元组进行预测,得到预测结果;
所述根据知识图谱的三元组数据对预设的对偶四元数知识图谱模型进行训练和参数调整,得到训练完成的对偶四元数的知识图谱模型这一步骤,其具体包括:
对知识图谱的三元组数据进行处理,得到实体和关系索引;
基于四元数向量对知识图谱中的实体和关系进行初始化;
构建三元组的得分函数;
根据知识图谱的三元组数据生成负样本;
根据知识图谱的三元组数据和负样本构建损失函数并基于损失函数对得分函数进行参数调整,得到训练完成的对偶四元数的知识图谱模型参数;
所述得分函数表达式如下:
上式中,所述表示知识图谱中的关系用单位对偶四元数向量初始化,对偶四元数,/>表示对偶四元数的共轭,/>表示对偶四元数乘法,/>表示知识图谱中的实体用纯四元数向量初始化,所述∈是对偶单位且满足∈2=0;
所述损失函数表达式如下:
上式中,γ为超参数,所述fr(h,t)表示正样本得分,所述fr(h′i,t′i)表示负样本得分。
2.根据权利要求1所述一种基于对偶四元数的知识图谱链接预测方法,所述预设的对偶四元数知识图谱模型包括对偶四元数知识图谱嵌入模块、评分函数模块、负采样模块和损失函数模块。
3.根据权利要求2所述一种基于对偶四元数的知识图谱链接预测方法,其特征在于,所述基于四元数向量对知识图谱中的实体和关系进行初始化这一步骤,其具体还包括:
对知识图谱中的实体用纯四元数向量初始化;
对知识图谱中的关系用单位对偶四元数向量初始化。
4.根据权利要求3所述一种基于对偶四元数的知识图谱链接预测方法,其特征在于,所述根据知识图谱的三元组数据生成负样本这一步骤,其具体为:
对于一个正确的三元组,随机替换该三元组中的头实体和尾实体形成负样本。
5.根据权利要求4所述一种基于对偶四元数的知识图谱链接预测方法,其特征在于,所述根据训练完成的对偶四元数的知识图谱模型对待测三元组进行预测,得到预测结果这一步骤,其具体包括:
将待测三元组输入到训练完成的对偶四元数的知识图谱模型并计算出该三元组的得分;
根据得分得到预测结果,判断该三元组是否是事实。
6.一种基于对偶四元数的知识图谱链接预测***,其特征在于,包括以下模块:
数据加载模块,用于加载数据并对数据进行解析,得到知识图谱的三元组数据;
模型训练模块,用于根据知识图谱的三元组数据对预设的对偶四元数知识图谱模型进行训练和参数调整,得到训练完成的对偶四元数的知识图谱模型;
链接预测模块,用于根据训练完成的对偶四元数的知识图谱模型对待测三元组进行预测,得到预测结果;
所述模型训练模块还包括以下模块:
对偶四元数知识图谱嵌入模块,用于对知识图谱的三元组数据进行处理,得到实体和关系索引,基于四元数向量对知识图谱中的实体和关系进行初始化;
评分函数模块,用于构建三元组的得分函数并得到三元组的得分;
负采样模块,用于根据知识图谱的三元组数据生成负样本;
损失函数模块,用于根据知识图谱的三元组数据和负样本构建损失函数并基于损失函数对得分函数进行参数调整;
所述得分函数表达式如下:
上式中,所述表示知识图谱中的关系用单位对偶四元数向量初始化,对偶四元数,/>表示对偶四元数的共轭,/>表示对偶四元数乘法,/>表示知识图谱中的实体用纯四元数向量初始化,所述∈是对偶单位且满足∈2=0;
所述损失函数表达式如下:
上式中,γ为超参数,所述fr(h,t)表示正样本得分,所述fr(h′i,t′i)表示负样本得分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011346008.5A CN112434812B (zh) | 2020-11-26 | 2020-11-26 | 一种基于对偶四元数的知识图谱链接预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011346008.5A CN112434812B (zh) | 2020-11-26 | 2020-11-26 | 一种基于对偶四元数的知识图谱链接预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112434812A CN112434812A (zh) | 2021-03-02 |
CN112434812B true CN112434812B (zh) | 2023-09-05 |
Family
ID=74699202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011346008.5A Active CN112434812B (zh) | 2020-11-26 | 2020-11-26 | 一种基于对偶四元数的知识图谱链接预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112434812B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495538A (zh) * | 2023-10-30 | 2024-02-02 | 北京融和云链科技有限公司 | 订单融资的风险性评估方法和模型训练方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105824802A (zh) * | 2016-03-31 | 2016-08-03 | 清华大学 | 一种获取知识图谱向量化表示的方法以及装置 |
CN106295796A (zh) * | 2016-07-22 | 2017-01-04 | 浙江大学 | 基于深度学习的实体链接方法 |
CN106528609A (zh) * | 2016-09-28 | 2017-03-22 | 厦门理工学院 | 一种向量约束嵌入转换的知识图谱推理方法 |
CN109840282A (zh) * | 2019-03-01 | 2019-06-04 | 东北大学 | 一种基于模糊理论的知识图谱优化方法 |
CN109992670A (zh) * | 2019-04-04 | 2019-07-09 | 西安交通大学 | 一种基于知识图谱邻域结构的图谱完备化方法 |
CN111680109A (zh) * | 2020-04-22 | 2020-09-18 | 北京三快在线科技有限公司 | 知识图谱表示学习模型训练方法、装置及电子设备 |
CN111914094A (zh) * | 2019-05-10 | 2020-11-10 | 中国人民大学 | 一种基于三元交互的知识图谱表示学习方法 |
-
2020
- 2020-11-26 CN CN202011346008.5A patent/CN112434812B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105824802A (zh) * | 2016-03-31 | 2016-08-03 | 清华大学 | 一种获取知识图谱向量化表示的方法以及装置 |
CN106295796A (zh) * | 2016-07-22 | 2017-01-04 | 浙江大学 | 基于深度学习的实体链接方法 |
CN106528609A (zh) * | 2016-09-28 | 2017-03-22 | 厦门理工学院 | 一种向量约束嵌入转换的知识图谱推理方法 |
CN109840282A (zh) * | 2019-03-01 | 2019-06-04 | 东北大学 | 一种基于模糊理论的知识图谱优化方法 |
CN109992670A (zh) * | 2019-04-04 | 2019-07-09 | 西安交通大学 | 一种基于知识图谱邻域结构的图谱完备化方法 |
CN111914094A (zh) * | 2019-05-10 | 2020-11-10 | 中国人民大学 | 一种基于三元交互的知识图谱表示学习方法 |
CN111680109A (zh) * | 2020-04-22 | 2020-09-18 | 北京三快在线科技有限公司 | 知识图谱表示学习模型训练方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112434812A (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Uncertainty-aware blind image quality assessment in the laboratory and wild | |
Zhang et al. | Hierarchical feature fusion with mixed convolution attention for single image dehazing | |
Shrivastava et al. | Learning from simulated and unsupervised images through adversarial training | |
Zhao et al. | Alike: Accurate and lightweight keypoint detection and descriptor extraction | |
WO2020228525A1 (zh) | 地点识别及其模型训练的方法和装置以及电子设备 | |
CN109919209B (zh) | 一种领域自适应深度学习方法及可读存储介质 | |
CN107273927B (zh) | 基于类间匹配的无监督领域适应分类方法 | |
CN112446423B (zh) | 一种基于迁移学习的快速混合高阶注意力域对抗网络的方法 | |
CN110647991B (zh) | 一种基于无监督领域自适应的三维人体姿态估计方法 | |
CN110728219A (zh) | 基于多列多尺度图卷积神经网络的3d人脸生成方法 | |
CN112115967B (zh) | 一种基于数据保护的图像增量学习方法 | |
Mahapatra et al. | Controllable animation of fluid elements in still images | |
TW202032423A (zh) | 圖像處理方法及裝置 | |
WO2022166797A1 (zh) | 图像生成模型的训练方法、生成方法、装置及设备 | |
CN112232325B (zh) | 样本数据处理方法和装置、存储介质及电子设备 | |
US20230245351A1 (en) | Image style conversion method and apparatus, electronic device, and storage medium | |
CN105243385B (zh) | 一种基于非监督学习的图像质量评价方法 | |
CN113554599B (zh) | 一种基于人类视觉效应的视频质量评价方法 | |
Zhong et al. | Touching a nerf: Leveraging neural radiance fields for tactile sensory data generation | |
CN112434812B (zh) | 一种基于对偶四元数的知识图谱链接预测方法及*** | |
Liang et al. | Video super-resolution reconstruction based on deep learning and spatio-temporal feature self-similarity | |
CN117218300B (zh) | 三维模型的构建方法、三维构建模型的训练方法及装置 | |
CN107729885B (zh) | 一种基于多重残差学习的人脸增强方法 | |
CN114527877A (zh) | 虚拟形象驱动方法、装置及服务器 | |
Zhang et al. | Face recognition under varying illumination based on singular value decomposition and retina modeling |
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 |