公开(公告)号：CN117194681A

公开(公告)日：2023-12-08

申请号：CN202311261815.0

申请日：2023-09-27

Applicant: 福州大学

Inventor： 汪璟玢 ,  孙首男

IPC: G06F16/36 ,  G06F18/214 ,  G06F18/25 ,  G06F40/279

Abstract: 本发明提出利用类型融合改进知识图嵌入的KGE‑TF方法，利用实体类型聚合器和关系上下文类型聚合器，将类型信息融入知识图的实体嵌入和知识图的关系嵌入；所述方法还包括基于KGE‑TF模型的KGE‑TF框架，所述框架通过约定统一的损失函数来形成通用的知识表示学习框架，所述框架将类型信息作为任意维度的低维向量，并将类型信息映射到实体嵌入空间与关系嵌入空间中与其融合，丰富实体和关系的嵌入表示，缓解数据稀疏问题；所述类型信息为附加的融合信息，不要求每个实体都拥有类型信息；本发明能丰富实体和关系的嵌入表示，缓解数据稀疏问题，本发明还约定统一的损失函数，形成一种通用的知识表示学习框架，以显著提高原有模型在知识补全任务上的性能。

公开(公告)号：CN117313848A

公开(公告)日：2023-12-29

申请号：CN202311270762.9

申请日：2023-09-28

Applicant: 福州大学

Inventor： 汪璟玢 ,  孙首男

IPC: G06N5/022 ,  G06N3/0464 ,  G06F18/22 ,  G06F16/36 ,  G06F16/28

Abstract: 本发明提供了一种类型匹配约束的图注意力网络，包括编码器和解码器；所述编码器计算关系特定的类型匹配度以及关系特定的邻域信息聚合器；所述解码器通过卷积神经网络CNN，可以充分交互实体和关系，捕捉其潜在特征；应用本技术方案可使模型具有更丰富的信息，实现更高的准确度。