公开(公告)号：CN111897974B

公开(公告)日：2024-04-16

申请号：CN202010807155.1

申请日：2020-08-12

Applicant: 吉林大学

Inventor： 杨博 ,  刘丁菠 ,  张钰雪晴 ,  彭羿达

IPC: G06F16/36

Abstract: 本发明公开了一种基于多层注意力机制的异质知识图谱学习方法，包括如下步骤：一：将异质知识图谱中各类型实例映射到统一的特征空间中，通过局部级注意力分别学得实例在不同元路径视图下的重要性程度；二：通过全局级注意力学习各个元路径视图的重要性，对实例在各个元路径视图下的嵌入特征进行融合；三：计算损失并进行端到端优化。本发明利用异质知识图谱中丰富的结构特征与实例特征，通过局部与全局级注意力机制的相互作用，为每个实例计算出与它相关的不同实例对其的影响，同时也刻画不同元路径视图对于实例表示的重要性，以此指导实例表示在不同视图下的融合问题，从而学到更具判别性的特征，提升在进行分类、连接预测等任务时的质量。

公开(公告)号：CN111897974A

公开(公告)日：2020-11-06

申请号：CN202010807155.1

申请日：2020-08-12

Applicant: 吉林大学

Inventor： 杨博 ,  刘丁菠 ,  张钰雪晴 ,  彭羿达

IPC: G06F16/36

Abstract: 本发明公开了一种基于多层注意力机制的异质知识图谱学习方法，包括如下步骤：一：将异质知识图谱中各类型实例映射到统一的特征空间中，通过局部级注意力分别学得实例在不同元路径视图下的重要性程度；二：通过全局级注意力学习各个元路径视图的重要性，对实例在各个元路径视图下的嵌入特征进行融合；三：计算损失并进行端到端优化。本发明利用异质知识图谱中丰富的结构特征与实例特征，通过局部与全局级注意力机制的相互作用，为每个实例计算出与它相关的不同实例对其的影响，同时也刻画不同元路径视图对于实例表示的重要性，以此指导实例表示在不同视图下的融合问题，从而学到更具判别性的特征，提升在进行分类、连接预测等任务时的质量。