公开(公告)号：CN112348190A

公开(公告)日：2021-02-09

申请号：CN202011159784.4

申请日：2020-10-26

Applicant: 福州大学

Inventor： 汪璟玢 ,  聂宽

IPC: G06N5/02

Abstract: 本发明涉及一种基于改进的嵌入模型 SUKE的不确定知识图预测方法。基于已有的确定性嵌入模型DistMult提出SUKE 模型。SUKE保留了知识的结构信息和不确定性信息，其内部包括评估器和置信度生成器两个组件，前者依据事实的结构特征和不确定特征评估事实的合理性，筛选出不合理的事实，从而获得候选事实。后者为候选事实生成置信度，表示实体发生特定关系的概率。评估器为每个三元组定义结构得分和不确定得分，用于事实合理性评估任务。此外,评估器引入了未知事实参与训练。置信度生成器为每个三元组生成置信度，用于置信度预测任务。本发明能够有效的完成不确定知识图的链路预测任务。

公开(公告)号：CN112348190B

公开(公告)日：2022-06-21

申请号：CN202011159784.4

申请日：2020-10-26

Applicant: 福州大学

Inventor： 汪璟玢 ,  聂宽

IPC: G06N5/02

Abstract: 本发明涉及一种基于改进的嵌入模型SUKE的不确定知识图预测方法。基于已有的确定性嵌入模型DistMult提出SUKE模型。SUKE保留了知识的结构信息和不确定性信息，其内部包括评估器和置信度生成器两个组件，前者依据事实的结构特征和不确定特征评估事实的合理性，筛选出不合理的事实，从而获得候选事实。后者为候选事实生成置信度，表示实体发生特定关系的概率。评估器为每个三元组定义结构得分和不确定得分，用于事实合理性评估任务。此外,评估器引入了未知事实参与训练。置信度生成器为每个三元组生成置信度，用于置信度预测任务。本发明能够有效的完成不确定知识图的链路预测任务。

公开(公告)号：CN112685609A

公开(公告)日：2021-04-20

申请号：CN202110001290.1

申请日：2021-01-04

Applicant: 福州大学

Inventor： 汪璟玢 ,  聂宽

IPC: G06F16/901 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种结合平移机制与卷积神经网络的知识图谱补全方法，包括以下步骤：步骤S1:获取一个确定性知识库，并进行预训练或者随机初始化；步骤S2:结合平移机制与卷积神经网络，构建CTKE模型并训练；步骤S3:根据CTKE模型得到实体向量和关系向量，将CTKE模型学习到的实体向量和关系向量，在向量空间进行计算完成实体预测或关系预测，以完成知识库补全。本发明能够应对具有复杂关系的知识图谱，并且表现出强大的学习能力。