声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-1777/TP
国际刊号：1000-1239
发布日期:
作者：崔员宁,李静,沈力,申扬,乔林,薄珏,
关键词：知识图谱, 持续时间建模, 时间感知, 知识表示学习, 链接预测, 有效可信度,
知识表示学习是知识获取与应用的基础，是贯穿知识图谱构建与应用全过程的重要问题，伴随含有时间标签的大型知识图谱的发展，近几年时间感知的知识表示学习成为该领域研究热点之一.针对传统方法不能有效学习知识持续时长分布规律的问题，融合超平面和有效持续时间建模，提出一种时间感知知识表示学习方法Duration-HyTE.首先，将元事实按照有效持续时间分类，对知识有效持续时间进行建模，提出知识有效可信度的计算方法，将其作用于训练过程评价函数和损失函数的计算，最后在含有时间标签的数据集Wikidata12K、YAGO11K和新建立的持续型关系数据集上进行对比实验，结果表明与其他同类方法相比，Duration-HyTE方法在实体和关系的链接预测和时间预测上性能得到有效提升，尤其在Wikidata12K数据集上，经Duration-HyTE训练得到的知识表示模型对于头尾实体的预测效果比当前最优的表示方法分别提升了25.7%和35.8%，有效提高了链接预测准确率.
来源：2020年第6期
《计算机研究与发展》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。