一种融合主题特征的自适应知识表示方法

作     者：陈文杰 CHEN Wenjie

作者机构：中国科学院成都文献情报中心成都610041 

出 版 物：《计算机工程》 (Computer Engineering)

年 卷 期：2021年第47卷第1期

页      面：87-93,100页

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：中国科学院“十三五”信息化专项(XXH13506) 

主　　题：知识图谱 表示学习 主题模型 变分自编码器 马氏距离 

摘      要：基于翻译的表示学习模型TransE被提出后,研究者提出一系列模型对其进行改进和补充,如TransH、TransG、TransR等。然而,这类模型往往孤立学习三元组信息,忽略了实体和关系相关的描述文本和类别信息。基于主题特征构建TransATopic模型,在学习三元组的同时融合关系中的描述文本信息,以增强知识图谱的表示效果。采用基于主题模型和变分自编器的关系向量构建方法,根据关系上的主题分布信息将同一关系表示为不同的实值向量,同时将损失函数中的距离度量由欧式距离改进为马氏距离,从而实现向量不同维权重的自适应赋值。实验结果表明,在应用于链路预测和三元组分类等任务时,TransATopic模型的MeanRank、HITS@5和HITS@10指标较TransE模型均有显著改进。