摘要:最近,以深度学习为代表的表示学习技术受到广泛关注。表示学习旨在将研究对象的语义信息表示为低维稠密实值向量。因此,一系列知识表示模型被提出,其中基于翻译模型的经典方法TransE不仅模型复杂度低、计算效率高,而且具有良好的知识表达能力。但是,TransE方法在处理自反、一对多、多对一和多对多等复杂关系时存在局限性。鉴于此,文中提出一种改进的知识表示模型STransH,分别在实体空间和关系空间建模,并采用单层神经网络的非线性操作来加强实体和关系的语义联系。同时,受TransH模型的启发,引入投影到特定关系超平面的机制,使得实体在不同的关系中有不同的角色。在模型训练时,通过替换语义相似实体来提高生成负例的质量。最后,在公开的数据集FB15K和WN18上进行链接预测实验,分析和验证了所提方法的有效性。相比于TransE和TransH模型,STransH在各项性能指标上均取得了较大提升,其Hits@10和三元组分类准确率分别提高近10%。
注:因版权方要求,不能公开全文,如需全文,请咨询杂志社
热门期刊服务
Science China Earth Sciences ITS通讯 Chinese Optics Letters Journal of Systems Science and Complexity Advances in Atmospheric Sciences Research in Astronomy and Astrophysics Transactions of Nonferrous Metals Society of China Science China Mathematics Science China Chemistry Chinese Annals of Mathematics,Series B Chinese Annals of Mathematics Series B Journal of Systems Engineering and Electronics相关文章
sts教育论文