文献类型：期刊文章

作　　者：金婧[1] 万怀宇[1] 林友芳[1]

JIN Jing;WAN Huaiyu;LIN Youfang(Beijing Key Laboratory of Traffic Data Analysis and Mining,School of Computer and Information Technology,Beijing Jiaotong University,Beijing 100044,China)

机构地区：[1]北京交通大学计算机与信息技术学院交通数据分析与挖掘北京市重点实验室,北京100044

出　　处：《计算机工程》

基　　金：国家重点研发计划(2018YFC0830200)。

年　　份：2021

卷　　号：47

期　　号：4

起止页码：77-83

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

摘　　要：知识图谱表示学习通过将实体和关系嵌入连续低维的语义空间中,获取实体和关系的语义关联信息。设计一种融合实体类别信息的类别增强知识图谱表示学习(CEKGRL)模型,构建基于结构与基于类别的实体表示,通过注意力机制捕获实体类别和三元组关系之间的潜在相关性,结合不同实体类别对于某种特定关系的重要程度及实体类别信息进行知识表示学习。在知识图谱补全和三元组分类任务中的实验结果表明,CEKGRL模型在MeanRank和Hit@10评估指标上均取得明显的性能提升,尤其在实体预测任务的Filter设置下相比TKRL模型约分别提升了23.5%和7.2个百分点,具有更好的知识表示学习性能。

关 键 词：知识图谱  知识表示学习  多源信息融合 注意力机制  实体消歧  

分 类 号：TP391]