结合实体类型信息1——基于本体的知识图谱补全深度学习方法
1 引言
1.1 问题
目前KGC和KGE提案的两个主要缺点是:(1)它们没有利用本体信息;(二)对训练时未见的事实和新鲜事物不能预测的。
1.2 解决方案
一种新的知识图嵌入初始化方法。
1.3 结合的信息
知识库中的实体向量表示＋编码后的本体信息——>增强 KGC
2基于本体的知识图谱补全深度学习方法
首先提出假设，如果使用嵌入来丰富e1的初始表示，则预测实体“Barack Obama”的链接(我们称之为e1)应该更容易，该嵌入试图反映e1是一位总统，因此也就是一位政治家。此外，如果“新鲜实体”的初始表示可以处理在训练时间中看不到的实体，则“新实体”也可以接收到来源于本体的额外信息。
具体做法：
首先，本体信息或本体知识库(OKB)，如概念和类，必须从一般知识库(KB)（一般存在于诸如Freebase之类的多个通用KG）中分离出来，如个体或实例。
其次，为OKB和知识库中的实体选择初始表示。使用word2vec的向量的平均值被用于实体中包含的每个词。
第三，用其对应的编码本体信息的OKB向量扩展知识库中的每个实体向量。
第四，使用诸如NTN或RESCAL等已知方法来学习KGE模型后用于KGC。
原文地址：https://blog.csdn.net/qq_51514930/article/details/140382593
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！