-
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
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：CN112000689A
公开(公告)日：2020-11-27
申请号：CN202010825084.8
申请日：2020-08-17
Applicant: 吉林大学
IPC: G06F16/242 , G06F16/28 , G06K9/62 , G06N3/08
Abstract: 本发明公开了一种基于文本分析的多知识图谱融合方法，包括：针对文本数据，构建多个知识图谱；使用Transformer生成每个知识图谱KG的实体向量表示；使用注意力机制对每个知识图谱KG的实体邻居进行采样；使用解耦图神经网络表示学习方法聚合每个知识图谱KG的实体的邻居信息；通过距离衡量任意两个知识图谱KG的实体之间相似度；利用正负样本进行神经网络的训练。与现有技术相比，本发明可以更好地区分实体之间的相似性和表达文本中一个实体的可能存在多个不同的社会属性，从而提升知识图谱融合的表达能力。
-
公开(公告)号：CN112000689B
公开(公告)日：2022-10-18
申请号：CN202010825084.8
申请日：2020-08-17
Applicant: 吉林大学
IPC: G06F16/242 , G06F16/28 , G06K9/62 , G06N3/08
Abstract: 本发明公开了一种基于文本分析的多知识图谱融合方法，包括：针对文本数据，构建多个知识图谱；使用Transformer生成每个知识图谱KG的实体向量表示；使用注意力机制对每个知识图谱KG的实体邻居进行采样；使用解耦图神经网络表示学习方法聚合每个知识图谱KG的实体的邻居信息；通过距离衡量任意两个知识图谱KG的实体之间相似度；利用正负样本进行神经网络的训练。与现有技术相比，本发明可以更好地区分实体之间的相似性和表达文本中一个实体的可能存在多个不同的社会属性，从而提升知识图谱融合的表达能力。
-
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
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。
-
-
-
Search Results
4
records
(took 0.013 seconds)
