期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
基于时序知识推理的时序知识图谱补全方法 被引量:1
1
作者 崔良中 任浩源 吕晓 《海军工程大学学报》 CAS 北大核心 2024年第2期87-92,106,共7页
基于知识推理的知识图谱补全技术研究在静态图谱上已经获得了较为明显的效果,但其在处理与时间相关的事件上仍存在着不足,而基于时序推理的知识图谱补全方法更加贴合真实事件,有较高的研究价值。然而,现有的时序知识图谱补全技术在处理... 基于知识推理的知识图谱补全技术研究在静态图谱上已经获得了较为明显的效果,但其在处理与时间相关的事件上仍存在着不足,而基于时序推理的知识图谱补全方法更加贴合真实事件,有较高的研究价值。然而,现有的时序知识图谱补全技术在处理节点信息和全局信息上存在局限性问题。因此,提出了一种基于注意力聚合邻居信息并使用双向LSTM处理时间信息的改进方法。首先,通过推理预测的方式补全时序知识图谱中缺失的信息,并在推理过程中生成推理路径图来解决由神经网络所带来的不可解释性问题;然后,使用4种不同时间跨度的公开数据集进行了实验并与主流方法进行了比较。实验结果表明:所提方法在R mr、h@1和h@10这3个指标上是优于现有方法的。 展开更多
关键词 时序知识图谱 知识图谱补全 知识推理 注意力机制 图神经网络
在线阅读 下载PDF
时序知识图谱补全研究综述 被引量:2
2
作者 许凯嘉 柳林 +1 位作者 王海龙 刘静 《计算机工程与应用》 CSCD 北大核心 2024年第22期38-57,共20页
目前时序知识图谱广泛存在不完备性等问题,这种不完备性问题严重制约了时序知识图谱在下游任务中的应用及发展。时序知识图谱补全(temporal knowledge graph completion,TKGC)技术能够预测其中缺失的链接,以解决不完备性问题。时序知识... 目前时序知识图谱广泛存在不完备性等问题,这种不完备性问题严重制约了时序知识图谱在下游任务中的应用及发展。时序知识图谱补全(temporal knowledge graph completion,TKGC)技术能够预测其中缺失的链接,以解决不完备性问题。时序知识图谱补全通过考虑事实的时间维度,以期在捕捉时间信息的基础上获取实体及关系随时间推移发生的变化,这样有助于更准确地完成时序知识图谱补全任务。根据时间信息应用策略的不同对TKGC的最新研究进展进行综述。详尽阐述了TKGC的研究背景,包括问题定义、关键的基准数据集。基于所提出的分类方法介绍了现有的TKGC方法,总结了TKGC在下游任务中的应用。最后提出当前面临的挑战,同时展望未来可能的研究方向。 展开更多
关键词 时序知识图谱 时序知识图谱补全(tkgc) 知识图谱嵌入 链接预测
在线阅读 下载PDF
时序知识图谱补全方法研究综述 被引量:6
3
作者 肖蕾 李琪 《计算机工程与应用》 CSCD 北大核心 2024年第6期43-54,共12页
知识图谱补全是近年来的研究热点,在下游应用中,如知识问答、推荐系统和智能搜索等都有着广泛的应用前景。然而,大部分补全方法忽略了知识图谱的动态特性,其中许多的事实都会随着时间的变化而发生改变。新兴的时序知识图谱补全方法考虑... 知识图谱补全是近年来的研究热点,在下游应用中,如知识问答、推荐系统和智能搜索等都有着广泛的应用前景。然而,大部分补全方法忽略了知识图谱的动态特性,其中许多的事实都会随着时间的变化而发生改变。新兴的时序知识图谱补全方法考虑到了以往补全方法的局限性,在其中加入了时间信息,使得知识图谱随时间的动态变化也能很好地被捕获。针对时序知识图谱补全方法在社交网络、交通运输、金融贸易等动态变化且具有复杂时间依赖特性的研究领域所拥有的巨大潜力,梳理了时序知识图谱补全技术。根据模型主要使用原理的不同,总结了基于逻辑规则、张量分解、平移模型、神经网络、深度强化学习和语言模型的补全方法,归纳了现有方法的常用评价指标、公开数据集、核心思想、优缺点、适用场景以及在对应静态模型上的改进。最后,对时序知识图谱补全方法的未来研究方向进行了展望。 展开更多
关键词 知识图谱 知识推理 链接预测 时序知识图谱补全
在线阅读 下载PDF
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
4
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 时序知识图谱 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