文献类型：期刊文章

作　　者：李忠文[1] 丁烨[2] 花忠云[1] 李君一[1] 廖清[1]

LI Zhong-wen;DING Ye;HUA Zhong-yun;LI Jun-yi;LIAO Qing(Department of Computer Science and Technology,Harbin Institute of Technology,Shenzhen,Shenzhen,Guangdong 518055,China;Department of Cyberspace Security,Dongguan University of Technology,Dongguan,Guangdong 523808,China)

机构地区：[1]哈尔滨工业大学(深圳)计算机科学与技术学院,广东深圳518055 [2]东莞理工学院网络空间安全学院,广东东莞523808

出　　处：《计算机科学》

基　　金：国家自然科学基金(U1711261)。

年　　份：2020

卷　　号：47

期　　号：11

起止页码：231-236

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD_E2019_2020、IC、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：知识图谱是人工智能方向的一个热门研究领域。知识图谱补全是在给定头实体或者尾实体以及相应关系的条件下,补全缺失实体。基于翻译的模型如TransE,TransH和TransR是最常用的一类知识图谱补全方法。然而,大多数现有的补全模型在补全过程中都忽略了知识图谱中三元组重要性的特征。文中提出了一种新型的知识图谱补全模型ImpTransE,该模型考虑了三元组中的重要性特征,设计了实体重要性排序方法KGNodeRank和多粒度关系重要性估计方法MG-RIE,分别对实体重要性和关系重要性进行估计。具体来说,KGNodeRank通过同时考虑关联结点的重要性及其重要性传递方向的概率来估计实体结点的重要性排名。MG-RIE则同时考虑了关系的一阶重要性和高阶重要性,从而对关系的总体重要性进行合理估计。ImpTransE同时考虑了三元组的实体重要性和关系重要性特征,使其在学习过程中对于不同的三元组信息可赋予不同的关注程度,提高了模型的表示学习性能,从而达到了更好的补全效果。实验结果表明,在两类知识图谱数据集中与5种对比模型相比,ImpTransE模型在大部分指标上均具有最佳的补全性能,对不同数据集的补全效果获得了一致的提升。

关 键 词：知识图谱 关系重要性  实体重要性  链接预测

分 类 号：TP391]