發(fā)布時間：2020-08-04 19:25

【摘要】：隨著科技的發(fā)展,我們逐漸進入一個信息化,智能化時代。海量新的數(shù)據(jù)和信息每天都以不同的形式產(chǎn)生,移動互聯(lián)網(wǎng)已成為目前最有效便捷的信息獲取平臺,如何從海量數(shù)據(jù)中獲取有效信息已成為眾多領域面臨的主要難題。因此,面向知識圖譜的表示學習成為了人工智能領域的一個研究熱點。知識圖譜是關于現(xiàn)實世界中存在的“實體”以及實體間復雜語義“關系”的圖結構。表示學習旨在將實體和關系投影到一個連續(xù)的低維向量空間,然后將知識分析推廣為數(shù)值計算。近年來,研究者們提出了以TransE為代表的多種表示學習模型來表示知識圖譜中實體與關系,并取得了顯著的成果。然而,TransE在進行復雜關系建模和多源信息融合時,仍存在許多局限性。針對上述分析,本文主要研究內(nèi)容如下:(1)針對現(xiàn)有TrasnE模型對復雜關系進行建模時的局限性問題,提出一種基于多翻譯原則的表示學習方法。首先,訓練過程中不斷調(diào)整模型參數(shù)。其次,根據(jù)不同的關系類別,設置不同的翻譯原則,有效地解決了對復雜關系建模時的局限性。(2)現(xiàn)有表示學習模型通常使用同一步長對不同復雜程度的實體和關系進行訓練,不能很好地區(qū)分不同復雜程度的關系。為均衡步長對不同復雜程度的關系和實體的影響,根據(jù)實體和關系的復雜度設置一個動態(tài)步長以解決知識圖譜異質性和不均衡性所帶來的影響。(3)針對當前模型未能充分利用與知識相關信息的問題,提出一種融合實體和關系的文本描述信息的表示學習方法。通過新型標記方案對實體和關系聯(lián)合抽取,并設置一個平衡因子融合文本描述信息與結構化信息以更好的表示知識圖譜中的數(shù)據(jù)。
【學位授予單位】：桂林電子科技大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：G434
【圖文】：

第一章 緒論§1.1 研究背景及意義隨著當今社會迅猛發(fā)展，我們逐漸進入一個信息化，智能化時代。海量新的數(shù)據(jù)和信息每天都以不同的形式產(chǎn)生，來勢洶涌的信息與知識有時使人無所適從。移動互聯(lián)網(wǎng)已成為當今社會最有效便捷的信息獲取平臺，用戶對真實信息獲取的需求日益迫切，如何從海量數(shù)據(jù)中獲取有效信息已成為眾多領域面臨的主要難題。知識圖譜(Knowledge Graph, KG)由此應運而生，并以驚人的速度發(fā)展。Google 公司于 2012 年 5 月將知識圖譜引入搜索引擎[1-2]，開啟了大規(guī)模知識圖譜的研究和應用的熱潮。與基于關鍵詞搜索的傳統(tǒng)搜索引擎不同，知識圖譜可以有效地查找復雜的關聯(lián)信息，從語義層面上體會用戶意圖，改善查詢質量。如圖 1.1，若在Google 的搜索框里輸入喬布斯，頁面右側將會出現(xiàn)喬布斯的相關信息，如出生年月、身高、配偶、子女，教育背景等。

【參考文獻】

相關博士學位論文 前1條

1 王楨;基于嵌入模型的知識圖譜補全[D];中山大學;2017年

本文編號：2780985