CN114610897A - 基于图注意力机制的医学知识图谱关系预测方法 - Google Patents
基于图注意力机制的医学知识图谱关系预测方法 Download PDFInfo
- Publication number
- CN114610897A CN114610897A CN202210181938.2A CN202210181938A CN114610897A CN 114610897 A CN114610897 A CN 114610897A CN 202210181938 A CN202210181938 A CN 202210181938A CN 114610897 A CN114610897 A CN 114610897A
- Authority
- CN
- China
- Prior art keywords
- entity
- embedding
- matrix
- attention
- vector
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000007246 mechanism Effects 0.000 title claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 74
- 239000011159 matrix material Substances 0.000 claims description 62
- 230000009466 transformation Effects 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 230000008685 targeting Effects 0.000 claims description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims 2
- 235000008694 Humulus lupulus Nutrition 0.000 claims 1
- 230000000644 propagated effect Effects 0.000 abstract description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
基于图注意力机制的医学知识图谱关系预测方法属于电子信息领域。本发明涉及如下3点:(1)将不同权重(注意力)分配给附近的节点,并通过迭代和分层计算传播注意力。(2)并在多跳邻居之间引入辅助边,实现了实体之间知识流的有效传播,构建了基于图注意力的嵌入模型。(3)应用ConvKB作为解码器有效捕获实体及其邻域间存在的关联关系。本发明针对医疗知识图谱中关系预测任务,通过扩展图注意力机制,构建了基于图注意力的嵌入模型,捕获给定实体的多跳邻域间实体和关系特征,进而完善医疗知识图谱中实体间关联关系。
Description
技术领域
本发明属于电子信息领域,是一种基于图神经网络、可应用于医疗知识图谱关系预测的技术。
背景技术
知识图谱是真实世界信息的结构化表示,即使是最先进的知识图谱也存在不完整、需不断完善的问题。关系预测是一种根据知识图谱中已存在的实体去预测缺失事实的技术,可对知识图谱进行补全和增强。近年来的研究表明,基于卷积神经网络(CNN)的模型可生成丰富且更具表现力的特征嵌入,因此在关系预测方面具有良好表现。然而,这类知识图谱模型独立地处理三元组,无法捕获三元组周围的局部邻域中固有的复杂和隐藏信息。
针对上述卷积神经网络模型在知识图谱关系预测中存在的问题,本文提出了一种基于图注意力机制的特征嵌入方法,捕获实体及其领域间存在的关联关系。
发明内容
本文针对基于平移距离和卷积神经网络(CNN)的模型只能独立地处理单个三元组,难以捕获给定实体附近邻域间的关系等问题,提出了一种基于注意力的关系预测图嵌入方法,实现更具表达性的知识图谱关系预测技术。
本发明涉及如下3点:
(1)将不同权重(注意力)分配给附近的节点,并通过迭代和分层计算传播注意力。
(2)并在多跳邻居之间引入辅助边,实现了实体之间知识流的有效传播,构建了基于图注意力的嵌入模型。
(3)应用ConvKB作为解码器有效捕获实体及其邻域间存在的关联关系。
本发明核心算法:
(1)用于关系预测的基于图注意力的图嵌入方法
知识图谱中实体在不同关系下扮演不同的角色,而图注意力网络(GraphAttention networks,GATs)忽略了知识图谱中关系的作用,本文通过将关系和相邻节点的特征纳入注意力机制,提出了一种新颖的基于图注意力的图嵌入方法。
与GATs不同,本模型的每一层的输入包含实体嵌入矩阵和关系嵌入矩阵。
其中,实体嵌入矩阵H如(1)式:
关系嵌入矩阵G如(2)式:
参考图1网络结构,根据输入矩阵H和G,按照如下步骤计算出更新后的嵌入矩阵H′和G′:
步骤一:定义医学知识图谱中的实体集合E={e1,…,ei,…,en},ei是第i个实体的嵌入。首先,学习与ei关联的每个三元组的表示,以获取实体ei
步骤二:采用与GATs相同的思路来获取每一个三元组的重要程度,即注意力系数bijk。如公式(4)所示,先进行一个线性变换,再应用一个非线性的激活函数得到bijk,公式(4)中,W2是一个线性转换矩阵。
bijk=LeakyReLU(W2cijk) (4)
此外,采用式(5)进行注意力系数的归一化,得到相对注意力值αijk。
其中,Ni表示所有与ei相邻的实体集合,Rin表示连接实体ei、en关系的集合,binr表示与ei相邻的实体的注意力系数。
得到归一化后的注意力系数后,依据公式(8)计算更新后的嵌入向量。模型采用多头注意力机制,使模型在不同的表示子空间里学***均值的方法得到最终的嵌入向量。
其中,M为注意力头的数量,σ表示一个非线性函数。j代表与实体ei相邻的实体,k代表实体ei与实体ej之间的关系。
步骤三:如公式(9)所示,使用权重矩阵WR对关系矩阵G做线性变换得到新嵌入矩阵。
G′=GWR (7)
其中,WR∈RT×T′,T′是该层输出的关系嵌入向量的维度。
步骤四:实体权重矩阵WE( 表示关系的特征矩阵,Ti、Tj分别代表初始和最终的实体嵌入向量的维数),Hi为输入模型的实体嵌入向量,按照公式(8)对初始的实体嵌入向量Hi做线性变换,得到转化后的实体嵌入向量Ht。
Ht=WEHi (8)
步骤五:依据式(9)将初始的实体嵌入向量Ht与最后一个注意力层获得的实体嵌入向量Hf相加得到更新实体嵌入向量H”。
H”=Ht+Hf (9)
另外,定义k(k>1)跳邻接(图2中虚有向线段)为知识图谱中的辅助关系,辅助关系的嵌入为有向路径中所有关系的嵌入之和。这样对于一个多层的模型,在第s层就可以通过聚合相邻s跳的邻居计算出更新的嵌入向量。
同时,本发明借鉴翻译评分函数思想来学习嵌入,即对于给定的有效三元组有其中ei是实体,ej是ei最邻近的实体,rk是ei和ej之间的关系。是实体ei的嵌入向量,是关系rk的嵌入向量,是实体ej的嵌入向量。
(2)基于卷积神经网络的解码器ConvKB
其中,ωq表示第q个滤波器,Ω为滤波器的数量,*是卷积运算符,W∈RΩk×1是一个用于计算三元组最终得分的线性转化矩阵。
为提高模型的泛化能力,模型训练中采用公式(13)所示的软边界损失函数来计算损失:
发明效果
针对医疗知识图谱中关系预测任务,通过扩展图注意力机制,构建了基于图注意力的嵌入模型,捕获给定实体的多跳邻域间实体和关系特征,进而完善医疗知识图谱中实体间关联关系。
附图说明
图1为网络架构图;
图2为辅助关系边示意图;
图3为注意力机制示意图;
图4为ConvKB结构图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。
鉴于知识图谱在构建初期,因为知识源受限,往往会导致知识覆盖面不全而造成大量相关知识的缺失。因此,在医疗领域,需要关系预测对医学知识图谱进行知识补全。
本实例提供了一种知识图谱关系补全方法流程,具体实施分为2步:
1)训练GAT来编码实体和关系信息。
2)训练ConvKB作为解码器来进行关系预测任务。
以下给出本发明的相关定义:
定义2(实体集,E)E={e1,…,ei,…,en},表示知识图谱中所有的实体节点,对应于知识库中的实体集合。
定义3(关系集,R)R={r1,…,ri,…,rn},表示知识图谱中所有的关系边,对应于知识库中的关系集和。
1)第一阶段
训练GAT来编码图中实体和关系的信息,以便得到更好、表达程度更高的嵌入。
S1:获取待处理的医学知识图谱,将知识图谱中的所有知识转换为三元组存储形式的知识库文件。利用Neo4j图数据库将知识图谱转换为三元组存储形式的RDF知识库文件。
S2:因为计算机无法识别文本形式的三元组,所以在输入神经网络进行关系判断之前,需要将其转换为词向量空间表示的形式。
本发明借鉴翻译评分函数思想,采用TransE来学习初始嵌入,即对于给定的有效三元组有其中ei是实体,ej是ei最邻近的实体,rk是ei和ej之间的关系。是实体ei的嵌入向量,是关系rk的嵌入向量,是实体ej的嵌入向量。
其中,实体嵌入矩阵H如(1)式:
其中,R表示实体的特征矩阵,Ne是实体总数,T是每个实体嵌入的特征维度。
关系嵌入矩阵G如(2)式:
S4:为了将输入特征映射到更高维度的输出特征空间,需要先进行一个线性变换,再应用一个非线性的激活函数得到注意力系数bijk,代表每一个三元组的重要程度。
如公式(4)所示,W2是一个线性转换矩阵。为了避免梯度消失等问题,本发明采用LeakyReLU作为激活函数,经过多次对比实验以及参考得出,LeakyReLU的超参数取值为0.2。
bijk=LeakyReLU(W2cijk) (4)
S5:对于一个节点所有入边得到的原始注意力分数应用softmax操作,如式(5)进行注意力系数的归一化,得到相对注意力值αijk。
其中,Ni表示所有与ei相邻的实体集合,Rin表示连接实体ei、en关系的集合,binr表示与ei相邻的实体的注意力系数。
S6:得到归一化后的注意力系数后,依据公式(8)计算更新后的嵌入向量。
模型采用多头注意力机制,使模型在不同的表示子空间里学***均值的方法得到最终的嵌入向量。
其中,M为注意力头的数量,σ表示一个非线性函数。j代表与实体ei相邻的实体,k代表实体ei与实体ej之间的关系。
此外,本发明采用dropout操作,以0.3的概率丢弃一些神经元的激活,避免过拟合等问题。
S7:如公式(9)所示,使用权重矩阵WR对关系矩阵G做线性变换得到新嵌入矩阵。
G′=GWR (7)
其中,WR∈RT×T′,T′是该层输出的关系嵌入向量的维度。
S8:按照公式(8)对初始的实体嵌入向量Hi做线性变换,得到转化后的实体嵌入向量Ht。
Ht=WEHi (8)
S9:在学习新的嵌入向量时,可能会丢失它们初始的嵌入信息,所以依据式(9)将初始的实体嵌入向量Ht与最后一个注意力层获得的实体嵌入向量Hf相加得到更新实体嵌入向量H”。
H”=Ht+Hf (9)
S10:图注意力网络会把知识图谱中存在的三元组作为有效三元组作为训练的正例。并用实体随机地替换三元组中的头实体或尾实体,构成无效三元组t′ij,作为训练的负例。在此训练阶段中,有效三元组和无效三元组数量比为2:1。
此外,采用学习率为0.001的Adam优化器不断对模型进行优化。
2)第二阶段
S11:模型在解码过程中依据公式(12)计算多个特征映射得分。
经过多次对比实验,为了避免梯度消失等问题,本发明采用超参数取值为0.2的LeakyReLU作为激活函数。
S12:为提高模型的泛化能力,模型训练中采用公式(13)所示的软边界损失函数来计算损失:
在此训练阶段中,有效三元组和无效三元组数量比为4:1。
Claims (2)
1.基于图注意力机制的医学知识图谱关系预测方法,其特征在于:
(1)用于关系预测的基于图注意力的图嵌入方法
模型的每一层的输入包含实体嵌入矩阵和关系嵌入矩阵;其中,实体嵌入矩阵H如(1)式:
其中,R表示实体的特征矩阵,Ne是实体总数,T是每个实体嵌入的特征维度;
关系嵌入矩阵G如(2)式:
根据输入矩阵H和G,按照如下步骤计算出更新后的嵌入矩阵H′和G′:
步骤一:定义医学知识图谱中的实体集合E={e1,…,ei,…,en},ei是第i个实体的嵌入;首先,学习与ei关联的每个三元组的表示,以获取实体ei的新嵌入;通过对特定的三元组的实体和关系特征向量如式(3)执行线性变换来学习这些嵌入;
步骤二:获取每一个三元组的重要程度,即注意力系数bijk;如公式(4)所示,先进行一个线性变换,再应用一个非线性的激活函数得到bijk,公式(4)中,W2是一个线性转换矩阵;
bijk=LeakyReLU(W2cijk) (4)
此外,采用式(5)进行注意力系数的归一化,得到相对注意力值αijk;
其中,Ni表示所有与ei相邻的实体集合,Rin表示连接实体ei、en关系的集合,binr表示与ei相邻的实体的注意力系数;
得到归一化后的注意力系数后,依据公式(8)计算更新后的嵌入向量;模型采用多头注意力机制,使模型在不同的表示子空间里学***均值的方法得到最终的嵌入向量;
其中,M为注意力头的数量,σ表示一个非线性函数;j代表与实体ei相邻的实体,k代表实体ei与实体ej之间的关系;
步骤三:如公式(9)所示,使用权重矩阵WR对关系矩阵G做线性变换得到新嵌入矩阵;
G′=GWR (7)
其中,WR∈RT×T′,T′是该层输出的关系嵌入向量的维度;
步骤四:实体权重矩阵WE, 表示关系的特征矩阵,Ti、Tj分别代表初始和最终的实体嵌入向量的维数,为输入模型的实体嵌入向量,按照公式(8)对初始的实体嵌入向量Hi做线性变换,得到转化后的实体嵌入向量Ht;
Ht=WEHi (8)
步骤五:依据式(9)将初始的实体嵌入向量Ht与最后一个注意力层获得的实体嵌入向量Hf相加得到更新实体嵌入向量H”;
H”=Ht+Hf (9)
另外,定义k跳邻接为知识图谱中的辅助关系,辅助关系的嵌入为有向路径中所有关系的嵌入之和,k>1;这样对于一个多层的模型,在第s层就可以通过聚合相邻s跳的邻居计算出更新的嵌入向量;
(2)基于卷积神经网络的解码器ConvKB
其中,ωq表示第q个滤波器,Ω为滤波器的数量,*是卷积运算符,W∈RΩk×1是一个用于计算三元组最终得分的线性转化矩阵;
采用公式(13)所示的软边界损失函数来计算损失:
2.根据权利要求1所述的方法,其特征在于:
以下相关定义:
定义2(实体集,E)E={e1,…,ei,…,en},表示知识图谱中所有的实体节点,对应于知识库中的实体集合;
定义3(关系集,R)R={r1,…,ri,…,rn},表示知识图谱中所有的关系边,对应于知识库中的关系集和;
第一阶段
训练GAT来编码图中实体和关系的信息;
S1:获取待处理的医学知识图谱,将知识图谱中的所有知识转换为三元组存储形式的知识库文件;利用Neo4j图数据库将知识图谱转换为三元组存储形式的RDF知识库文件;
S2:因为计算机无法识别文本形式的三元组,所以在输入神经网络进行关系判断之前,需要将其转换为词向量空间表示的形式;
借鉴翻译评分函数思想,采用TransE来学习初始嵌入,即对于给定的有效三元组有其中ei是实体,ej是ei最邻近的实体,rk是ei和ej之间的关系;是实体ei的嵌入向量,是关系rj的嵌入向量,是实体ej的嵌入向量;
其中,实体嵌入矩阵H如(1)式:
其中,R表示实体的特征矩阵,Ne是实体总数,T是每个实体嵌入的特征维度;
关系嵌入矩阵G如(2)式:
S4:为了将输入特征映射到更高维度的输出特征空间,需要先进行一个线性变换,再应用一个非线性的激活函数得到注意力系数bijk,代表每一个三元组的重要程度;
如公式(4)所示,W2是一个线性转换矩阵;为了避免梯度消失等问题,采用LeakyReLU作为激活函数,经过多次对比实验以及参考得出,LeakyReLU的超参数取值为0.2;
bijk=LeakyReLU(W2cijk) (4)
S5:对于一个节点所有入边得到的原始注意力分数应用softmax操作,如式(5)进行注意力系数的归一化,得到相对注意力值αijk;
其中,Ni表示所有与ei相邻的实体集合,Rin表示连接实体ei、en关系的集合,binr表示与ei相邻的实体的注意力系数;
S6:得到归一化后的注意力系数后,依据公式(8)计算更新后的嵌入向量;
模型采用多头注意力机制,使模型在不同的表示子空间里学***均值的方法得到最终的嵌入向量;
其中,M为注意力头的数量,σ表示一个非线性函数;j代表与实体ei相邻的实体,k代表实体ei与实体ej之间的关系;
此外,采用dropout操作,以0.3的概率丢弃一些神经元的激活;
S7:如公式(9)所示,使用权重矩阵WR对关系矩阵G做线性变换得到新嵌入矩阵;
G′=GWR (7)
其中,WR∈RT×T′,T′是该层输出的关系嵌入向量的维度;
S8:按照公式(8)对初始的实体嵌入向量Hi做线性变换,得到转化后的实体嵌入向量Ht;
Ht=WEHi (8)
S9:在学习新的嵌入向量时,可能会丢失它们初始的嵌入信息,所以依据式(9)将初始的实体嵌入向量Ht与最后一个注意力层获得的实体嵌入向量Hf相加得到更新实体嵌入向量H”;
H”=Ht+Hf (9)
S10:图注意力网络会把知识图谱中存在的三元组作为有效三元组作为训练的正例;并用实体随机地替换三元组中的头实体或尾实体,构成无效三元组t′ij,作为训练的负例;在此训练阶段中,有效三元组和无效三元组数量比为2:1;
此外,采用学习率为0.001的Adam优化器不断对模型进行优化;
2)第二阶段
S11:模型在解码过程中依据公式(12)计算多个特征映射得分;
采用超参数取值为0.2的LeakyReLU作为激活函数;
S12:为提高模型的泛化能力,模型训练中采用公式(13)所示的软边界损失函数来计算损失:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210181938.2A CN114610897A (zh) | 2022-02-25 | 2022-02-25 | 基于图注意力机制的医学知识图谱关系预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210181938.2A CN114610897A (zh) | 2022-02-25 | 2022-02-25 | 基于图注意力机制的医学知识图谱关系预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114610897A true CN114610897A (zh) | 2022-06-10 |
Family
ID=81858174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210181938.2A Pending CN114610897A (zh) | 2022-02-25 | 2022-02-25 | 基于图注意力机制的医学知识图谱关系预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114610897A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861715A (zh) * | 2023-02-15 | 2023-03-28 | 创意信息技术股份有限公司 | 基于知识表示增强的图像目标关系识别算法 |
CN117010494A (zh) * | 2023-09-27 | 2023-11-07 | 之江实验室 | 一种基于因果表示学习的医学数据生成方法及*** |
CN117435747A (zh) * | 2023-12-18 | 2024-01-23 | 中南大学 | 基于多层级细化网络的少样本链接预测药物再利用方法 |
CN117610662A (zh) * | 2024-01-19 | 2024-02-27 | 江苏天人工业互联网研究院有限公司 | 一种通过gat提取代表性子图信息的知识图谱嵌入方法 |
CN117747124A (zh) * | 2024-02-20 | 2024-03-22 | 浙江大学 | 基于网络激发图分解的医学大模型逻辑反演方法及*** |
WO2024138803A1 (zh) * | 2022-12-29 | 2024-07-04 | 之江实验室 | 一种融合多源知识图谱的药物重定位方法和*** |
-
2022
- 2022-02-25 CN CN202210181938.2A patent/CN114610897A/zh active Pending
Non-Patent Citations (1)
Title |
---|
DEEPAK NATHANI 等: "Learning Attention-based Embeddings for Relation Prediction in Knowledge Graphs", 《ARXIV》, 30 June 2019 (2019-06-30), pages 1 - 10 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024138803A1 (zh) * | 2022-12-29 | 2024-07-04 | 之江实验室 | 一种融合多源知识图谱的药物重定位方法和*** |
CN115861715A (zh) * | 2023-02-15 | 2023-03-28 | 创意信息技术股份有限公司 | 基于知识表示增强的图像目标关系识别算法 |
CN117010494A (zh) * | 2023-09-27 | 2023-11-07 | 之江实验室 | 一种基于因果表示学习的医学数据生成方法及*** |
CN117010494B (zh) * | 2023-09-27 | 2024-01-05 | 之江实验室 | 一种基于因果表示学习的医学数据生成方法及*** |
CN117435747A (zh) * | 2023-12-18 | 2024-01-23 | 中南大学 | 基于多层级细化网络的少样本链接预测药物再利用方法 |
CN117435747B (zh) * | 2023-12-18 | 2024-03-29 | 中南大学 | 基于多层级细化网络的少样本链接预测药物再利用方法 |
CN117610662A (zh) * | 2024-01-19 | 2024-02-27 | 江苏天人工业互联网研究院有限公司 | 一种通过gat提取代表性子图信息的知识图谱嵌入方法 |
CN117747124A (zh) * | 2024-02-20 | 2024-03-22 | 浙江大学 | 基于网络激发图分解的医学大模型逻辑反演方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114610897A (zh) | 基于图注意力机制的医学知识图谱关系预测方法 | |
CN109389151B (zh) | 一种基于半监督嵌入表示模型的知识图谱处理方法和装置 | |
CN110046252B (zh) | 一种基于注意力机制神经网络与知识图谱的医疗文本分级方法 | |
CN113157957A (zh) | 一种基于图卷积神经网络的属性图文献聚类方法 | |
CN113240683B (zh) | 基于注意力机制的轻量化语义分割模型构建方法 | |
CN113065649A (zh) | 一种复杂网络拓扑图表示学习方法、预测方法及服务器 | |
CN114969367B (zh) | 基于多方面子任务交互的跨语言实体对齐方法 | |
CN111353534B (zh) | 一种基于自适应分数阶梯度的图数据类别预测方法 | |
CN113361627A (zh) | 一种面向图神经网络的标签感知协同训练方法 | |
CN111949764A (zh) | 一种基于双向注意力机制的知识图谱补全方法 | |
CN112884045A (zh) | 基于多视角的随机删边嵌入模型的分类方法 | |
Rassil et al. | Augmented graph neural network with hierarchical global-based residual connections | |
CN113806559B (zh) | 一种基于关系路径与双层注意力的知识图谱嵌入方法 | |
CN116383401A (zh) | 一种融合文本描述与图卷积机制的知识图谱补全方法 | |
CN111967528B (zh) | 基于稀疏编码的深度学习网络结构搜索的图像识别方法 | |
Du et al. | CGaP: Continuous growth and pruning for efficient deep learning | |
CN113326884A (zh) | 大规模异构图节点表示的高效学习方法及装置 | |
CN115422321B (zh) | 一种知识图谱复杂逻辑推理方法、组件和知识图谱的查询检索方法 | |
Zhou et al. | Online recommendation based on incremental-input self-organizing map | |
CN116226547A (zh) | 基于流式数据的增量图推荐方法 | |
Liu et al. | Entity representation learning with multimodal neighbors for link prediction in knowledge graph | |
CN112905599B (zh) | 基于端到端的分布式深度哈希检索方法 | |
CN115525836A (zh) | 一种基于自监督的图神经网络推荐方法和*** | |
CN111951183B (zh) | 基于近端交替惩罚算法的低秩全变分高光谱图像修复方法 | |
CN114529325A (zh) | 一种基于Darts的点击率预估模型自动化生成方法 |
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 |