公开(公告)号：CN107590237B

公开(公告)日：2021-04-30

申请号：CN201710812116.9

申请日：2017-09-11

Applicant: 桂林电子科技大学

Inventor： 常亮 ,  祝曼丽 ,  张楚婷 ,  古天龙 ,  栗永芳 ,  孙文平

IPC: G06F16/36

Abstract: 本发明公开一种基于动态翻译原则的知识图谱表示学习方法，首先采用实体向量与关系向量之间基于翻译的模型，利用动态参数定义了动态翻译原则很好地表示了三元组中实体向量与关系向量之间的相互关联，且无须引入更多的参数；然后然后根据不同的翻译模型构建了不同的动态翻译原则；最后利用正负例元组之间基于边际的损失函数将实体向量和关系向量关联起来，并优化该损失函数，当达到优化目标时，就可以学得知识图谱中每个实体的向量和关系的向量，从而更好地表示实体和关系之间的联系，并更好的应用于大规模知识图谱补全中。本发明能够很好地应用于大规模知识图谱中，具有良好的实用性。

公开(公告)号：CN107590237A

公开(公告)日：2018-01-16

申请号：CN201710812116.9

申请日：2017-09-11

Applicant: 桂林电子科技大学

Inventor： 常亮 ,  祝曼丽 ,  张楚婷 ,  古天龙 ,  栗永芳 ,  孙文平

IPC: G06F17/30

Abstract: 本发明公开一种基于动态翻译原则的知识图谱表示学习方法，首先采用实体向量与关系向量之间基于翻译的模型，利用动态参数定义了动态翻译原则很好地表示了三元组中实体向量与关系向量之间的相互关联，且无须引入更多的参数；然后然后根据不同的翻译模型构建了不同的动态翻译原则；最后利用正负例元组之间基于边际的损失函数将实体向量和关系向量关联起来，并优化该损失函数，当达到优化目标时，就可以学得知识图谱中每个实体的向量和关系的向量，从而更好地表示实体和关系之间的联系，并更好的应用于大规模知识图谱补全中。本发明能够很好地应用于大规模知识图谱中，具有良好的实用性。

公开(公告)号：CN109408619B

公开(公告)日：2021-09-07

申请号：CN201811177400.4

申请日：2018-10-10

Applicant: 桂林电子科技大学

Inventor： 常亮 ,  张楚婷 ,  宾辰忠

IPC: G06F16/332 ,  G06F16/36 ,  G06K9/62

Abstract: 本发明提出一种面向问答领域动态计算问句与答案相似性的方法，所述问句包括答案问句部和问句答案部分，所述计算问句与答案相似性的方法包括：计算答案问句部分答案各方面向量与加权问句向量的相似性得分，其中所述答案各方面向量包括答案实体向量、答案类型向量和答案内容向量；计算问句向量与答案向量的最终相似性得分。

公开(公告)号：CN109408619A

公开(公告)日：2019-03-01

申请号：CN201811177400.4

申请日：2018-10-10

Applicant: 桂林电子科技大学

Inventor： 常亮 ,  张楚婷 ,  宾辰忠

IPC: G06F16/332 ,  G06F16/36 ,  G06K9/62

Abstract: 本发明提出一种面向问答领域动态计算问句与答案相似性的方法，所述问句包括答案问句部和问句答案部分，所述计算问句与答案相似性的方法包括：计算答案问句部分答案各方面向量与加权问句向量的相似性得分，其中所述答案各方面向量包括答案实体向量、答案类型向量和答案内容向量；计算问句向量与答案向量的最终相似性得分。