期刊文献+
共找到1篇文章
< 1 >
每页显示 20 50 100
融合局部-全局历史模式与历史知识频率的时序知识图谱补全方法
1
作者 贾凯 王阳萍 +1 位作者 杨景玉 张希权 《计算机应用研究》 2025年第6期1727-1733,共7页
时序知识图谱(temporal knowledge graphs,TKGs)是动态描述事实演变的图谱,其补全任务是根据历史预测未来未知的事实,关键在于洞察历史数据。然而,现有模型在捕捉历史事件的特征方面存在局限,不能准确地从时间戳中提取有用信息。从历史... 时序知识图谱(temporal knowledge graphs,TKGs)是动态描述事实演变的图谱,其补全任务是根据历史预测未来未知的事实,关键在于洞察历史数据。然而,现有模型在捕捉历史事件的特征方面存在局限,不能准确地从时间戳中提取有用信息。从历史演进的视角出发,综合考虑历史事实的顺序、频率和周期性模式有利于预测未来事实。为此,提出了融合局部-全局历史模式与历史知识频率的时序知识图谱补全算法(LGH-HKF)。具体来说,首先使用一个局部循环图编码器网络来建模相邻时间戳上事件的内在关联与动态演变;其次使用全局历史编码器网络考虑所有以前时间戳上的相关事实,以避免丢失在相邻时间戳上没有出现的实体或关系;然后通过历史知识频率学习模块学习这些事实的频率分数来丰富模型的预测依据;最后在两个编码器之间进行权衡后,由一个具有周期性的解码器进行推理补全。使用了四个基准数据集来评估所提方法,实验结果证明LGH-HKF在大多数情况下相比于目前其他模型有很强的竞争力。 展开更多
关键词 时序知识 补全算法 局部循环图编码器 全局历史编码器 历史知识频率
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部