-
公开(公告)号：CN108197290A
公开(公告)日：2018-06-22
申请号：CN201810053803.1
申请日：2018-01-19
Applicant: 桂林电子科技大学
IPC: G06F17/30
Abstract: 本发明公开一种融合实体和关系描述的知识图谱表示学习方法，考虑了实体与关系的文本描述信息，很好地融合了三元组的结构化信息与文本描述信息两大信息源，通过基于神经网络的端到端模型对实体和关系联合抽取，设置一个平衡因子来平衡结构化信息和文本描述信息，并根据预测对象的不同定义不同的得分函数；然后利用损失函数把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及文本描述信息中每个实体的向量和关系的向量。本发明解决了知识库中实体和关系的稀疏性和不平衡性，更精确有效地表示实体和关系及其之间的相互联系，并将其应用于大规模知识图谱中，具有较好的实用性。
-
公开(公告)号：CN108197290B
公开(公告)日：2021-08-03
申请号：CN201810053803.1
申请日：2018-01-19
Applicant: 桂林电子科技大学
IPC: G06F16/36
Abstract: 本发明公开一种融合实体和关系描述的知识图谱表示学习方法，考虑了实体与关系的文本描述信息，很好地融合了三元组的结构化信息与文本描述信息两大信息源，通过基于神经网络的端到端模型对实体和关系联合抽取，设置一个平衡因子来平衡结构化信息和文本描述信息，并根据预测对象的不同定义不同的得分函数；然后利用损失函数把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及文本描述信息中每个实体的向量和关系的向量。本发明解决了知识库中实体和关系的稀疏性和不平衡性，更精确有效地表示实体和关系及其之间的相互联系，并将其应用于大规模知识图谱中，具有较好的实用性。
-
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
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。
-
Patent Agency Ranking
公开(公告)号：CN107885760A
公开(公告)日：2018-04-06
申请号：CN201611189576.2
申请日：2016-12-21
Applicant: 桂林电子科技大学
CPC classification number: G06F17/30604 , G06F17/2785
Abstract: 本发明公开一种基于多种语义的知识图谱表示学习方法，首先考虑了关系的不同语义，采用实体向量与关系向量之间基于翻译的模型，利用三元组结构中关系的不同语义并结合头尾实体的投影向量定义关系矩阵，并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；然后利用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。本发明解决了知识库中实体和关系的异质性和不平衡性，更精确地表示实体和关系及其之间的相互联系，并将其应用于大规模知识图谱中。
-
公开(公告)号：CN107885760B
公开(公告)日：2021-06-08
申请号：CN201611189576.2
申请日：2016-12-21
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于多种语义的知识图谱表示学习方法，首先考虑了关系的不同语义，采用实体向量与关系向量之间基于翻译的模型，利用三元组结构中关系的不同语义并结合头尾实体的投影向量定义关系矩阵，并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；然后利用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。本发明解决了知识库中实体和关系的异质性和不平衡性，更精确地表示实体和关系及其之间的相互联系，并将其应用于大规模知识图谱中。
-
公开(公告)号：CN107590139A
公开(公告)日：2018-01-16
申请号：CN201710856687.2
申请日：2017-09-21
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于循环矩阵翻译的知识图谱表示学习方法，首先利用随机生成方法对错误三元组进行生成，并将所有实体与关系分别嵌入不同空间；其次利用循环矩阵生成规则，生成循环矩阵对实体进行投影；再次通过评分函数对三元组的嵌入进行评价；最后利用两种不同损失函数将实体和关系关联起来，并使用SGD算法最小化损失函数，当达到优化目标时，即可获得知识图谱中每个实体向量和关系向量的最佳表示，从而更好的表示实体与关系之间的联系，并能够很好的应用于大规模的知识图谱补全当中。本发明具有较强可行性和良好的实用性。
-
公开(公告)号：CN107590139B
公开(公告)日：2020-10-27
申请号：CN201710856687.2
申请日：2017-09-21
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于循环矩阵翻译的知识图谱表示学习方法，首先利用随机生成方法对错误三元组进行生成，并将所有实体与关系分别嵌入不同空间；其次利用循环矩阵生成规则，生成循环矩阵对实体进行投影；再次通过评分函数对三元组的嵌入进行评价；最后利用两种不同损失函数将实体和关系关联起来，并使用SGD算法最小化损失函数，当达到优化目标时，即可获得知识图谱中每个实体向量和关系向量的最佳表示，从而更好的表示实体与关系之间的联系，并能够很好的应用于大规模的知识图谱补全当中。本发明具有较强可行性和良好的实用性。
-
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
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。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.022 seconds)
