-
公开(公告)号：CN115905569A
公开(公告)日：2023-04-04
申请号：CN202211453303.X
申请日：2022-11-21
Applicant: 之江实验室
IPC: G06F16/36 , G06F18/241 , G06F18/214
Abstract: 一种基于节点自适应的小样本知识图谱补全方法，包括：步骤1、为知识图谱中所有实体构建邻居序列；步骤2、将实体的邻居序列经过transformer后输入进自适应阶层分类器，从而得到该实体的自适应聚合阶层；步骤3、采用基于注意力图网络的聚合方式对实体的邻居进行聚合；步骤4、将聚合好后的头尾实体表征成关系向量，分支持集关系向量和查询关系向量；步骤5、对同一task下的支持集向量和查询向量进行相似度计算；步骤6、根据相似度计算损失函数值；步骤7、进行网络训练，直到到达设定的迭代次数；步骤8、完成训练并得到推理模型。本发明通过图网络阶层表示和阶层分类的方法实现了对高频实体和稀疏实体的良好表征，从而提升补全方法的准确性。
-
公开(公告)号：CN115080766B
公开(公告)日：2022-12-06
申请号：CN202210980815.5
申请日：2022-08-16
Applicant: 之江实验室
IPC: G06F16/36 , G06F40/151 , G06F40/284 , G06F40/289 , G06V30/41 , G06V30/19
Abstract: 本发明公开了基于预训练模型的多模态知识图谱表征系统及方法，结合知识图谱实体的相关语义信息与对应图像信息辅助知识图谱进行实体向量表征。由于文本预训练模型经过大规模语料进行了充分的训练学习，具有一定的语义表征能力，同时基于图像的预训练模型也经过大规模数据集进行了初步训练，对于实体对应的图片也可以生成较好的表征向量，再通过几种不同的组合方式将语义表征向量和图形表征向量进行结合从而代替实体向量的初始化，将该实体向量输入知识图谱表征模型进行训练，同时对文本和图像预训练模型进行微调。增加了实体的信息量，同时也引入了大量用于预训练的数据集信息。使得知识图谱的表征得到更好的结果，同时提升了整体方法的鲁棒性。
-
公开(公告)号：CN115905569B
公开(公告)日：2023-11-17
申请号：CN202211453303.X
申请日：2022-11-21
Applicant: 之江实验室
IPC: G06F16/36 , G06F18/241 , G06F18/214
Abstract: 一种基于节点自适应的小样本知识图谱补全方法，包括：步骤1、为知识图谱中所有实体构建邻居序列；步骤2、将实体的邻居序列经过transformer后输入进自适应阶层分类器，从而得到该实体的自适应聚合阶层；步骤3、采用基于注意力图网络的聚合方式对实体的邻居进行聚合；步骤4、将聚合好后的头尾实体表征成关系向量，分支持集关系向量和查询关系向量；步骤5、对同一task下的支持集向量和查询向量进行相似度计算；步骤6、根据相似度计算损失函数值；步骤7、进行网络训练，直到到达设定的迭代次数；步骤8、完成训练并得到推理模型。本发明通过图网络阶层表示和阶层分类的方法实现了对高频实体和稀疏实体的良好表征，从而提升补全方法的准确性。
-
公开(公告)号：CN116340595A
公开(公告)日：2023-06-27
申请号：CN202310199815.6
申请日：2023-02-27
Applicant: 之江实验室
IPC: G06F16/9035 , G06F16/9038 , G06F16/901 , G06N5/022
Abstract: 一种基于知识图谱的公平性推荐算法，包括：步骤1、构建知识图谱；步骤2、合并知识图谱与用户项目交互图构成用户项目知识图，用户项目知识图即为用户的输入；步骤3、从用户项目知识图中提取用户项目路径；步骤4、将路径信息输入循环注意力神经网络建模用户的表示；步骤5、通过敏感属性过滤网络过滤掉用户表示中的敏感属性；步骤6、得到最终的表示计算损失函数；步骤7、判断是否达到设定的训练次数；步骤8、结束训练，使用训练好的模型为用户生成公平推荐的项目。本发明能够实现对于用户项目的公平性推荐，缓解了用户数据的问题，同时能够很好的去除用户敏感属性对于推荐的影响，在推荐方法领域具有重要的作用。
-
Patent Agency Ranking
公开(公告)号：CN115712734B
公开(公告)日：2023-10-03
申请号：CN202211455034.0
申请日：2022-11-21
Applicant: 之江实验室
IPC: G06F16/36 , G06N5/022 , G06N3/096 , G06N3/0985
Abstract: 一种基于元学习的稀疏知识图谱嵌入方法，包括：步骤1、根据知识图谱中实体所含三元组数量划分头部实体集和尾部实体集；步骤2、将头部实体集进行拆分，以准备数据对MetaTransfer元学习迁移框架进行训练；步骤3、采用传统知识图谱表征模型根据现有三元组集合对各实体进行向量表征；步骤4、将步骤三得到的few‑shot向量表征输入MetaTransfer进行训练得到更高一级shot的表征向量，使其学习到few shot表征向量到many shot表征向量的映射过程；步骤5、结束训练，使用训练好的模型来对尾部实体集合Tk的各实体表征向量进行迁移。本发明能够从头部实体学习训练轨迹信息并应用于尾部实体的训练中。在稀疏知识图谱领域具有重要的作用。
-
公开(公告)号：CN115080766A
公开(公告)日：2022-09-20
申请号：CN202210980815.5
申请日：2022-08-16
Applicant: 之江实验室
IPC: G06F16/36 , G06F40/151 , G06F40/284 , G06F40/289 , G06V30/41 , G06V30/19
Abstract: 本发明公开了基于预训练模型的多模态知识图谱表征系统及方法，结合知识图谱实体的相关语义信息与对应图像信息辅助知识图谱进行实体向量表征。由于文本预训练模型经过大规模语料进行了充分的训练学习，具有一定的语义表征能力，同时基于图像的预训练模型也经过大规模数据集进行了初步训练，对于实体对应的图片也可以生成较好的表征向量，再通过几种不同的组合方式将语义表征向量和图形表征向量进行结合从而代替实体向量的初始化，将该实体向量输入知识图谱表征模型进行训练，同时对文本和图像预训练模型进行微调。增加了实体的信息量，同时也引入了大量用于预训练的数据集信息。使得知识图谱的表征得到更好的结果，同时提升了整体方法的鲁棒性。
-
公开(公告)号：CN114637923B
公开(公告)日：2022-09-02
申请号：CN202210541192.1
申请日：2022-05-19
Applicant: 之江实验室
IPC: G06F16/9535 , G06F16/36 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于层次注意力图神经网络的数据信息推荐方法和装置，该方法包括：步骤一，构建用户项目交互图和知识图谱；步骤二，合并用户项目交互图与知识图谱构成用户项目知识图；步骤三，将用户项目知识图输入到图神经网络中，采用层次注意力机制计算用户项目知识图的每个节点邻居的重要程度；步骤四，根据每个节点邻居的重要程度，对邻居进行聚合来更新节点表示；步骤五，设定输入图神经网络的用户项目知识图经过的网络层数，如果未到达设定的网络层，则执行步骤三，反之则根据节点的表示，计算图神经网络的损失函数值，经过迭代训练，得到训练好的图神经网络，为用户生成推荐的项目。本发明缓解了数据的稀疏性，提升了推荐的准确性。
-
公开(公告)号：CN114637923A
公开(公告)日：2022-06-17
申请号：CN202210541192.1
申请日：2022-05-19
Applicant: 之江实验室
IPC: G06F16/9535 , G06F16/36 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于层次注意力图神经网络的数据信息推荐方法和装置，该方法包括：步骤一，构建用户项目交互图和知识图谱；步骤二，合并用户项目交互图与知识图谱构成用户项目知识图；步骤三，将用户项目知识图输入到图神经网络中，采用层次注意力机制计算用户项目知识图的每个节点邻居的重要程度；步骤四，根据每个节点邻居的重要程度，对邻居进行聚合来更新节点表示；步骤五，设定输入图神经网络的用户项目知识图经过的网络层数，如果未到达设定的网络层，则执行步骤三，反之则根据节点的表示，计算图神经网络的损失函数值，经过迭代训练，得到训练好的图神经网络，为用户生成推荐的项目。本发明缓解了数据的稀疏性，提升了推荐的准确性。
-
公开(公告)号：CN115712734A
公开(公告)日：2023-02-24
申请号：CN202211455034.0
申请日：2022-11-21
Applicant: 之江实验室
IPC: G06F16/36 , G06N5/022 , G06N3/096 , G06N3/0985
Abstract: 一种基于元学习的稀疏知识图谱嵌入方法，包括：步骤1、根据知识图谱中实体所含三元组数量划分头部实体集和尾部实体集；步骤2、将头部实体集进行拆分，以准备数据对MetaTransfer元学习迁移框架进行训练；步骤3、采用传统知识图谱表征模型根据现有三元组集合对各实体进行向量表征；步骤4、将步骤三得到的few‑shot向量表征输入MetaTransfer进行训练得到更高一级shot的表征向量，使其学习到few shot表征向量到many shot表征向量的映射过程；步骤5、结束训练，使用训练好的模型来对尾部实体集合Tk的各实体表征向量进行迁移。本发明能够从头部实体学习训练轨迹信息并应用于尾部实体的训练中。在稀疏知识图谱领域具有重要的作用。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.021 seconds)
