公开(公告)号：CN118278510A

公开(公告)日：2024-07-02

申请号：CN202410380940.1

申请日：2024-03-31

Applicant: 哈尔滨理工大学

Inventor： 张丽平 ,  徐敏明 ,  钟成宇

IPC: G06N5/022 ,  G06N3/042 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/092 ,  G06N3/094

Abstract: 本发明公开一种基于深度强化学习的知识图谱补全方法。其目标是对不完整的知识图谱进行补全，从而更好的为下游任务提供服务。现有的基于强化学习进行知识图谱补全的方法仍然面领着一些特定的问题，分别是：多步推理复杂、缺少特定领域规则、Q值过估计以及奖励稀疏。首先，本发明设计了一种图卷积神经网络将知识图嵌入到低维空间中。其次，使用WGAN和本发明提出的一种新的门控循环单元HOGRU结合注意力机制记录智能体通过游走知识图谱获得的轨迹序列，并在需要时自动生成新的轨迹序列。最后，提出一种新的深度确定性策略梯度算法RATD3来优化奖励并降低对抗性损失。本发明不仅提高了知识图谱补全的精度，同时也进一步提高了知识图谱补全的效率。

公开(公告)号：CN118210927A

公开(公告)日：2024-06-18

申请号：CN202311762909.6

申请日：2023-12-20

Applicant: 哈尔滨理工大学

Inventor： 李松 ,  钟成宇 ,  徐敏明

IPC: G06F16/36 ,  G06F16/901 ,  G06N3/0442 ,  G06N3/0455 ,  G06N3/08 ,  G06F40/30 ,  G06F18/25

Abstract: 本发明专利公开了一种基于预训练语言模型的融合图结构信息的知识表示学习方法。该方法旨在改进知识图谱补全任务的精确度，通过融合丰富的语义信息、图结构信息和三元组结构信息，提升模型对于复杂图结构预测能力。首先通过预训练语言模型将知识图谱中的实体、关系和三元组映射为自然语言的向量表示，然后结合图结构中的环状结构和星型结构，使用注意力机制融合实体之间的图结构信息。最后通过多任务学习策略学习三元组结构以及三元组语义信息，提高了知识图谱补全的准确性。此专利的创新性在于融合了预训练语言模型和图结构信息，具有更强的扩展性和更好的效果，可应用于链接预测和知识图谱补全。