检索结果-南通市图书馆

基于邻域聚合与CNN的知识图谱实体类型补全

在线全文

学校读者我要写书评

暂无评论

计算机工程 2023年第3期49卷 134-141页

作者：邹长龙安敬民李冠宇大连海事大学信息科学技术学院辽宁大连116026

现有知识图谱实体类型补全模型通过对实体和实体类型进行建模,以解决知识图谱中实体缺失的实体类型,但未有效地利用实体之间的关系,导致模型的实体类型补全性能不佳。提出一种基于邻域聚合与卷积神经网络的知识图谱实体类型补全模型NACE... 详细信息

现有知识图谱实体类型补全模型通过对实体和实体类型进行建模,以解决知识图谱中实体缺失的实体类型,但未有效地利用实体之间的关系,导致模型的实体类型补全性能不佳。提出一种基于邻域聚合与卷积神经网络的知识图谱实体类型补全模型NACE2T,其采用编码器-解码器的结构。基于注意力机制设计利用关系信息的编码器,其使用注意力机制为实体邻域中的每个关系-实体对分配不同的权重,以聚合实体邻域中实体和关系的信息,从而利用实体之间的关系。基于卷积神经网络设计一个新的知识图谱实体类型补全模型CE2T,将其作为解码器,对编码器输出的实体嵌入和实体类型嵌入进行建模与实体类型补全。实验结果表明,相比ConnectE模型,NACE2T模型在数据集FB15KET上的HITS@1和HITS@3提高约1.5%,在数据集YAGO43KET上的MRR和HITS@3提高约6%,HITS@1提高约9%,能够有效地推断知识图谱中实体缺失的实体类型。

关键词：知识图谱实体类型邻域聚合注意力机制关系-实体对卷积神经网络

在线全文

学校读者我要写书评

暂无评论

基于异构邻域聚合的协同过滤推荐算法

模式识别与人工智能 2021年第8期34卷 712-722页

作者：夏鸿斌陆炜刘渊江南大学人工智能与计算机学院无锡214122 江南大学江苏省媒体设计与软件技术重点实验室无锡214122

传统的协同过滤算法使用one-hot编码生成的特征向量信息量稀少,对异构行为数据仅挖掘不同行为间的联系而忽略用户间行为的联系.针对上述问题,文中提出基于异构邻域聚合的协同过滤推荐算法.首先,使用图对用户和项目的异构交互进行建模,... 详细信息

传统的协同过滤算法使用one-hot编码生成的特征向量信息量稀少,对异构行为数据仅挖掘不同行为间的联系而忽略用户间行为的联系.针对上述问题,文中提出基于异构邻域聚合的协同过滤推荐算法.首先,使用图对用户和项目的异构交互进行建模,并利用图的连通特性构建邻域.然后,使用轻量级图卷积方法整合邻域信息,融入目标用户和目标项目的特征向量.最后,将融合邻域信息的用户与项目的特征向量输入多任务异构网络进行训练,通过丰富特征向量信息的方法缓解数据稀疏问题.在数据集上的实验证实文中算法的性能较优.

关键词：异构数据邻域聚合协同过滤推荐系统图神经网络

基于邻域聚合和注意力机制的双GRU交通速度预测研究

在线全文

学校读者我要写书评

暂无评论

基于邻域聚合和注意力机制的双GRU交通速度预测研究

作者：邹长宽北京石油化工学院

学位级别：硕士

随着中国全面步入小康社会,中国车辆保有量在不断增加,但这给人们的交通出行带来了更多的挑战。智能交通系统的引入对交通速度预测提出了新的要求。针对传统交通速度预测过于依赖时间特征的现状,如何构建基于交通速度数据时空特征的交... 详细信息

随着中国全面步入小康社会,中国车辆保有量在不断增加,但这给人们的交通出行带来了更多的挑战。智能交通系统的引入对交通速度预测提出了新的要求。针对传统交通速度预测过于依赖时间特征的现状,如何构建基于交通速度数据时空特征的交通速度预测模型是本文的研究重点。本文首先介绍了与交通速度预测相关的图、交通路网图、对应的五种预测模型及其理论,接着推导了从交通速度数据中提取时间特征的方法。针对传统预测方法忽略空间对速度影响的问题,本文通过邻域聚合的方式提取道路的空间特征。接着并联两个GRU分别对时间特征和空间特征进行分析,预测未来时刻道路上的交通速度,提出了一个基于邻域聚合的双GRU模型:N-DGRU。本文在NDGRU后又串联了一个注意力模型,使用注意力机制融合两个并联GRU输出的所有隐藏状态,充分利用每一个隐藏状态所包含的信息,提出了一个基于邻域聚合和注意力机制的双GRU模型:NA-DGRU。NA-DGRU使用每个历史时刻速度的时间特征和空间特征进行预测,能够降低预测误差,提高速度预测的可靠性。本文选择在真实世界数据集SZ-taxi和Los-loop上进行模型效果测试。在给定七种模型参数的情况下,分别从RMSE、MAE和Accuracy维度进行了分析。预测效果表明,本文所提出的NA-DGRU预测模型在各个方面均取得了最佳效果,表明该预测模型具备一定的理论及实际应用价值。研究表明,借助邻域聚合、GRU和注意力机制提取到的时空特征能很好地构建NA-DGRU交通速度预测模型。由于交通环境和需求的多样性,该预测模型仍然存在局限性并具有诸多需要优化的方面。

关键词：交通速度预测邻域聚合时空特征注意力机制

基于邻域聚合与CNN的知识图谱实体类型预测

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于邻域聚合与CNN的知识图谱实体类型预测

作者：邹长龙大连海事大学

学位级别：硕士

知识图谱补全(Knowledge Graph Completion,KGC)模型主要集中在推断知识图谱(Knowledge Graph,KG)中缺失的实体或关系。然而,大多数的KG还缺少实体类型。实体类型是KG的原子构造块之一,在基于KG的下游任务中扮演着重要角色。针对KG的实... 详细信息

知识图谱补全(Knowledge Graph Completion,KGC)模型主要集中在推断知识图谱(Knowledge Graph,KG)中缺失的实体或关系。然而,大多数的KG还缺少实体类型。实体类型是KG的原子构造块之一,在基于KG的下游任务中扮演着重要角色。针对KG的实体类型预测(Entity Type Prediction,ETP),简记为ETP4KG,其目标是推断KG中实体缺失的实体类型,即(实体,实体类型=?)。现有ETP4KG模型存在着一些局限性,普遍倾向于对实体和实体类型进行建模,却忽略了KG三元组或关系和实体已知的类型,主要问题为:模型在预测实体所属的类型时,未能合理利用KG中的三元组或实体间的关系、模型表达能力不足、模型在训练阶段与实体类型预测时未合理利用实体的已知类型信息。针对现有ETP4KG模型存在的上述问题,本文提出三个相关模型:基于卷积神经网络与翻译模型的ETP4KG模型—ETPTrans(?)CNH4KG,基于关系聚合图注意力网络与卷积神经网络的ETP4KG模型—ETPRGAT(?)CNN4KG,基于实体类型上下文信息聚合的ETP4KG模型—ETPRGAT(?)ETCA4KG。(1)ETPTrans(?)CNN4KG 主要包括两个子模型:ETPCNN4KG,ETP Trans4KG。ETPCNN4KG使用卷积神经网络来计算实体和实体类型之间的相似性,以构建实体嵌入(Entity Embedding,EmbEnt)和实体类型嵌入(Entity Type Embedding,EmbEntT)的深层次交互,达到增强表达能力的目的;ETPTrans4KG使用翻译模型来利用KG三元组与实体的已知类型信息;最后,使用ETPCNN4KG和ETPTrans4KG联合进行ETP4KG。(2)ETPRGAT(?)CNN4KG采用编码器-解码器的结构。编码器关系聚合图注意力网络RGAT是一个基于注意力机制的邻域聚合器(Neighborhood Aggregator,NbrAgg),其作用是聚合实体邻域(Entity Neighborhood,EntNbr)中实体和关系的信息,以达到利用KG三元组的目的。解码器CE2T使用卷积神经网络作为建模工具,以解决模型表达能力不足的问题,其作用是对RGAT输出的EmbEnt和EmbEntT进行建模,并进行ETP4KG。(3)ETPRGAT(?)ETCA4KG是ETPRGAT(?)CNN4KG的扩展,其同样采用编码器-解码器的结构。ETPTGAT(?)ETCA4KG在ETPTGAT(?)CNN4KG的基础上使用注意力机制聚合实体已知类型的信息,以此来达到在模型训练与ETP时利用实体已知类型的目标。解码器采用CE2T。为验证本文提出模型的有效性与可行性,在FB15K与FB15KET和YAGO43K与YAGO43KET上进行ETP4KG实验与其他相关实验。

关键词：知识图谱实体类型预测卷积神经网络邻域聚合注意力机制

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于邻域聚合的协同过滤推荐模型

计算机科学与应用 2022年第6期12卷 1665-1673页

作者：廖春节邓鉴格徐涛西北民族大学中国民族语言文字信息技术教育部重点实验室甘肃兰州

用户和待预测物的嵌入表示是推荐系统的核心,这种嵌入一般通过映射的方式获得,然而上述方法不能有效地利用到用户交互的协作信号,因此生成的嵌入不能很好地发挥协同过滤的效果。为了解决这个问题,本文研究了基于邻域聚合的协同过滤(NACF... 详细信息

用户和待预测物的嵌入表示是推荐系统的核心,这种嵌入一般通过映射的方式获得,然而上述方法不能有效地利用到用户交互的协作信号,因此生成的嵌入不能很好地发挥协同过滤的效果。为了解决这个问题,本文研究了基于邻域聚合的协同过滤(NACF)模型的方法,该方法将用户交互集成到嵌入中,再利用嵌入传播将协作信号以高阶连通性的形式编码。最后该模型与贝叶斯个性化排序的矩阵分解(BPRMF)和图神经网络协同过滤(NGCF)在MovieLens数据集上的实验结果表明,本文的方法取得的效果更加优越。

关键词：邻域聚合个性化推荐协同过滤协作信号

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

基于关系学习网络的小样本知识图谱补全模型

计算机工程 2023年第9期49卷 52-59页

作者：冉丈杰孙林夫邹益胜马玉麟西南交通大学计算机与人工智能学院成都611031 西南交通大学制造业产业链协同与信息化支撑技术四川省重点实验室成都611031

现实世界中的知识图谱由大量事实三元组构成,其中通常包含许多出现次数很少的小样本关系,面向这些小样本关系补全知识图谱中缺失的三元组是一项具有挑战性的工作。针对现有小样本知识图谱补全模型中普遍存在的小样本关系表示无法有效提... 详细信息

现实世界中的知识图谱由大量事实三元组构成,其中通常包含许多出现次数很少的小样本关系,面向这些小样本关系补全知识图谱中缺失的三元组是一项具有挑战性的工作。针对现有小样本知识图谱补全模型中普遍存在的小样本关系表示无法有效提取问题,提出一种基于关系学习网络的小样本知识图谱补全模型。考虑关系的相关性,对参考和查询三元组进行邻域聚合编码,获得增强的实体嵌入表示。基于融合Transformer编码器与长短期记忆神经网络的结构,将三元组的关系表示进行编码输出。利用注意力机制得出查询关系与动态参考关系的语义相似性,并结合平移模型的假设对查询三元组成立的可能性进行综合打分。实验结果表明,该模型通过融合路径发现与上下文语义有效提取了小样本关系的细粒度语义,在小样本链接预测任务中,相较于基线模型中评价指标的最优值平均提升了9.5个百分点。

关键词：小样本关系邻域聚合关系表示知识图谱补全链接预测

在线全文

学校读者我要写书评

暂无评论

基于超邻接图的异质信息网络表征学习

计算机工程 2023年第10期49卷 13-21页

作者：杨彬王轶彤复旦大学软件学院上海200433

异质信息网络往往包含不同类型的节点和关系,丰富的语义信息和复杂的关系对目前异质信息网络的表征学习提出了巨大的挑战。现有多数方法通常使用预定义的元路径来捕获异质的语义信息和结构信息,但成本高、覆盖率低,且不能准确有效地捕... 详细信息

异质信息网络往往包含不同类型的节点和关系,丰富的语义信息和复杂的关系对目前异质信息网络的表征学习提出了巨大的挑战。现有多数方法通常使用预定义的元路径来捕获异质的语义信息和结构信息,但成本高、覆盖率低,且不能准确有效地捕获和学习有影响力的高阶邻居节点。提出HIN-HG模型来解决以上问题。HIN-HG通过生成异质信息网络的超邻接图来准确有效地捕获对目标节点有影响力的邻居节点,并使用带有多通道机制的卷积神经网络聚合在不同关系下的不同类型的邻居节点。HIN-HG可以自动地学习不同邻居节点和元路径的权重而无须进行手动指定,同时可以捕获全图范围内和目标节点相似的节点作为高阶邻居,并通过信息传播有效地更新目标节点的表征。在DBLP、ACM和IMDB真实数据集上的实验结果表明,在节点分类任务中,HIN-HG较HAN、GTN、HGSL等前沿的异质信息网络表征学习方法性能更优,Macro-F1和Micro-F1多分类评估指标平均提高5.6和5.7个百分点,提高了节点分类的准确性和有效性。

关键词：异质信息网络元路径邻域聚合表征学习图卷积

在线全文

学校读者我要写书评

暂无评论

融合知识图谱与图卷积网络的混合推荐模型

计算机科学与探索 2022年第6期16卷 1343-1353页

作者：郭晓旺夏鸿斌刘渊江南大学人工智能与计算机学院江苏无锡214122 江苏省媒体设计与软件技术重点实验室江苏无锡214122

针对当前多数基于知识图谱的推荐模型未能充分对用户特征建模,且未考虑知识图谱中实体间的邻域关系的问题,提出了一种融合知识图谱与图卷积网络的混合推荐模型(HKC)。首先,利用KGCN算法捕捉项目间的相关性,通过邻域聚合计算得到项目的... 详细信息

针对当前多数基于知识图谱的推荐模型未能充分对用户特征建模,且未考虑知识图谱中实体间的邻域关系的问题,提出了一种融合知识图谱与图卷积网络的混合推荐模型(HKC)。首先,利用KGCN算法捕捉项目间的相关性,通过邻域聚合计算得到项目的特征向量;然后,通过协作传播提取知识图谱中与用户相联系的实体,使用交替学习的方式同时优化模型预测单元和知识图谱嵌入单元,通过交互单元计算得到用户的特征向量;最后,将用户特征向量和项目特征向量送入预测环节,通过向量的内积运算以及归一化操作计算用户与项目的交互概率。在三种公开数据集上与七个基线模型进行了对比实验,在MovieLens-1M数据集上,AUC提升了0.25%~37.41%,ACC提升了0.78%~49.44%;在Book-Crossing数据集上,AUC提升了0.04%~19.38%,ACC提升了6.49%~18.60%;在Last.FM数据集上,AUC提升了1.33%~33.50%,ACC提升了0.36%~30.66%。实验结果表明,提出的混合推荐模型与其他具有代表性的推荐模型相比具有良好的推荐性能。

关键词：推荐系统知识图谱交替学习邻域聚合

在线全文

学校读者我要写书评

暂无评论

融合二连通模体结构信息的节点分类算法

计算机应用 2024年第5期44卷 1464-1470页

作者：郑文萍葛慧琳刘美麟杨贵山西大学计算机与信息技术学院太原030006 计算智能与中文信息处理教育部重点实验室(山西大学) 太原030006 山西大学智能信息处理研究所太原030006

节点表示学习将图结构数据信息编码到低维的潜在空间中,在节点分类、聚类、链路预测等机器学习任务中被广泛应用。在复杂网络中,节点与节点之间不仅存在直接相连的低阶结构,也存在以特殊连接模式形成的高阶结构,称为模体。提出一种融合... 详细信息

节点表示学习将图结构数据信息编码到低维的潜在空间中,在节点分类、聚类、链路预测等机器学习任务中被广泛应用。在复杂网络中,节点与节点之间不仅存在直接相连的低阶结构,也存在以特殊连接模式形成的高阶结构,称为模体。提出一种融合二连通模体结构信息的节点分类算法(FMI),利用节点间高阶二连通模体信息学习节点表示,完成节点分类任务。首先,统计网络中的二连通模体,利用其中信息提出一个节点重要性的度量指标——模体比值。根据模体比值计算采样概率进行邻域采样;构造一个带权辅助图以融合网络节点连接的低阶关系与高阶关系,对节点进行加权邻域聚合以得到节点表示。在5个数据集Cora、Citeseer、Pubmed、Wiki和DBLP上执行节点分类任务,与5种经典基准算法进行对比,所提算法FMI在准确度和F1-分数等指标上表现良好。

关键词：节点表示二连通模体邻域采样邻域聚合节点分类