手机站点,昆明手机网站建设,自己怎么做鲜花网站,做查询网站费用论文笔记整理#xff1a;谭亦鸣#xff0c;东南大学博士生#xff0c;研究方向为跨语言知识图谱问答。来源#xff1a;CIKM’2018链接#xff1a;http://delivery.acm.org/10.1145/3280000/3271704/p247-guan.pdf?ip121.249.15.96id3271704accACTIVE%20SERVICE… 论文笔记整理谭亦鸣东南大学博士生研究方向为跨语言知识图谱问答。来源CIKM’2018链接http://delivery.acm.org/10.1145/3280000/3271704/p247-guan.pdf?ip121.249.15.96id3271704accACTIVE%20SERVICEkeyBF85BBA5741FDC6E%2EEEBE655830483280%2E4D4702B0C3E38B35%2E4D4702B0C3E38B35__acm__1553323826_2f92f0c5be62fc57d71a8cc02bf2335b Introduction知识图谱补全KGCknowledge graphcompletion是一种自动建立图谱内部知识关联的工作目标是补全图谱中缺失的三元组信息。对于这个问题常见的方法分为基于矩阵以及基于翻译等两类。随着神经网络方法的普及本文提出一种共享嵌入的神经网络模型用于处理KGC问题。 Motivation作者认为在补全任务中头实体关系和尾实体三者的训练数据存在一定差异性而现有方法没有区分头尾实体及关系预测等三个问题做明确区分。对于同一知识图谱的头实体关系和尾实体补全其对应的图谱知识空间可以通用因此在图谱表示学习部分使用shared策略是一个较好的方式从技术角度使用神经网络方法可以较好的模拟推理预测的过程。Model图 1 是本文所提出的KGC模型框架作者将框架划分为以下四个部分三元组的批量预处理知识图谱的Shared embeddings表示学习独立的头尾实体及关系预测子模型训练与融合联合损失函数构成整个KGC的流程可以描述如下将训练数据中的完整三元组知识图谱划分批量后作为模型的输入对于输入的三元组分别训练得到实体包括头尾实体嵌入矩阵与关系嵌入矩阵embeddings将头尾实体及关系embeddings分别输入到三个预测模型中头实体预测?, r, t关系预测(h, ?, t)尾实体预测(h, r, ?)        预测子模型具有相似的结构如下图模型输入关系向量与实体向量后进入n层全连接层得到预测向量再经过一个sigmoid或者softmax层输出预测标签向量。打分函数Score function以头实体预测子模型为例其打分函数形式如下损失函数Loss function            依据上述框架对于给定的某个三元组(h, r, t)可以得到三个对应的预测标签向量Ph, Pr, Pt            目标标签向量则可以定义为            根据上述定义可以得到三者的平滑目标向量为            因此各子模型损失函数形式可以描述如下            联合损失函数则是将三个子模型的打分函数进行相加融合得到Experiment本工作实验使用的数据来源于WN18以及FB15K具体统计信息如表1所示实体预测实验结果如下关系预测实验结果如下Conclusion总的来说本文工作在实验结果上确实表现出对以往方法性能的提升但是对于头尾关系预测的子任务划分依据缺少较为详细的说明故并不能明确任务划分做法的合理性也没有不划分子模型的版本的对比测试。 OpenKG开放知识图谱简称 OpenKG旨在促进中文知识图谱数据的开放与互联促进知识图谱和语义技术的普及和广泛应用。点击阅读原文进入 OpenKG 博客。