【摘要】：知識圖譜是一種擁有眾多實體的復雜語義網絡。其以圖形的方式展現(xiàn)實體,實體所包含的相關屬性以及各實體間的關系。2012年谷歌提出知識圖譜相關概念,作用在于利用實體間關系定向推理以提升用戶的檢索質量,其在數據化結構交換,知識計算,知識推理等方面發(fā)揮著顯著作用。教育知識圖譜由于其獨特的性質與其他領域的知識圖譜相比有很大的差別。在教育知識圖譜中其相關實體的專業(yè)名詞多,中英文概念博雜,知識點間關聯(lián)密切使得在教育知識圖譜的構建過程中需要重新定義本體框架、優(yōu)化實體與屬性抽取方式、建立全新的更新補全算法。雖然知識圖譜的涵蓋范圍大,實體關系復雜多樣,但是基于知識的可延展性,需要不斷的對知識圖譜進行更新與維護。在教育知識圖譜的構建過程中,更新推理補全算法需要嵌入到本體構建算法中�，F(xiàn)階段一般把知識圖譜分為數據層與數據模式層來分開討論。在數據層中,可以對圖譜中的實體以及實體屬性進行增加、修改等操作。在數據模式層進行實體的刪除、實體預測補全和實體關系的補全修改操作。所以本文首先搭建了教育知識圖譜的更新框架,確定更新的實體類別。針對教育知識圖譜的一般特點確定“教育者”“受教育者”“教育措施”為教育知識圖譜的三類主要實體。重點研究受教育者與教育措施之間的關系,補全更新知識點間關聯(lián),確定知識點權重、知識關聯(lián)權重達到教育知識圖譜相較于傳統(tǒng)存儲模式以“圖”“譜”的形式展現(xiàn)知識的優(yōu)勢。其次,本文對經典的知識圖譜推理補全算法Trans E算法進行了改進研究。由于Trans E的簡單高效,一直被國內外知識圖譜領域所推崇。但是其中對于1-N,N-1和N-N類型的實體關系描述不夠準確,容易造成實體間的歧義,所以本文采用改進算法Trans EM作為教育知識圖譜數據模式層推理更新的主體算法。最后,通過實驗對所提出的改進算法加以驗證。在實驗中采用Word Net的子集WN11、WN18。以及Freebase的子集FB13、FB15K數據集,這兩類數據集為驗證知識圖譜性能的專用數據集。通過實驗結果可以得出,改進后的推理更新算法在補全缺失實體、元組分類判定等方面優(yōu)于原算法。從而證明了本文提出的教育知識圖譜的更新補全算法的可行性和優(yōu)越性。
【圖文】：

當子網絡中實體個數越多計算的復雜度越高，為了便于理解重點研究 3 元模式。假設 A ' = {Teacher(t),Student(s)}， R ' = {Instruct(i),Discuss(d)}，若子網中的點集為'{(),(),()}123V = VtVsVt，邊集為 '{(,),(,),(,)}123213E = dVViVVdVV，則如下圖 2-2（a）所示。同理，若子網為 '{(),(),()}123V VsVtVs， '{(,),(,),(,)}212313E = iVVdVVdVV則如圖 2-1（b）所示。

圖 2-2 Trans E 模型實例，Trans E 可以簡單的看做是對一系列的雙向交互編碼，還體和關系之間存在三種依賴關系的數據建模，模型建立結，在一個小規(guī)模的實體屬性關系數據集上，與最新的方法 Trans E 算法并沒有取得良好的效果。1”的實體關系，，相應的實體投影過程描述如下：首先確.)nh與尾實體集合 (,,...)1 23nT = tttt和投影關系矩陣rM 。將間1R ，其條件為向量 h，t，rh ，rt 的二階范數，即向量距關系的偏差距離，即為相應的評分函數可以被定義：2(,)||||rrrf ht= h+r trans E 在同一個空間進行距離比對，加強一步在不同空間離為兩個關系不緊密的單獨實體，為“1-N”，“N-1”或實體分組做準備。習慣上，還需要加強嵌入 h , r,t和映射矩
【學位授予單位】：哈爾濱工程大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP311.13;G254

【參考文獻】

相關期刊論文 前5條

1 陳悅;陳超美;劉則淵;胡志剛;王賢文;;CiteSpace知識圖譜的方法論功能[J];科學學研究;2015年02期

2 梁曉婷;奉國和;;當代知識圖譜的構建方法研究[J];圖書館雜志;2013年05期

3 劉潔;張東來;;關于自適應高斯混合背景模型的更新算法的研究[J];微計算機信息;2006年22期

4 楊明;;一種基于改進差別矩陣的核增量式更新算法[J];計算機學報;2006年03期

5 張哲;利用XML視圖更新關系數據庫[J];計算機工程與設計;2005年04期

相關會議論文 前2條

1 劉旭輝;馮建華;洪親;;一種支持更新的圖可達性查詢算法[A];第二十四屆中國數據庫學術會議論文集（技術報告篇）[C];2007年

2 黃維;陳勇;;中國教育經濟學發(fā)展趨勢的知識圖譜研究[A];2009年中國教育經濟學學術年會論文集[C];2009年

相關博士學位論文 前6條

1 趙宇;知識圖譜自動演進算法研究[D];北京郵電大學;2017年

2 陳曦;面向大規(guī)模知識圖譜的彈性語義推理方法研究及應用[D];浙江大學;2017年

3 王楨;基于嵌入模型的知識圖譜補全[D];中山大學;2017年

4 胡芳槐;基于多種數據源的中文知識圖譜構建方法研究[D];華東理工大學;2015年

5 楊雅君;動態(tài)圖數據挖掘與查詢算法的研究[D];哈爾濱工業(yè)大學;2013年

6 楊峰;本體映射關鍵技術研究[D];吉林大學;2011年

相關碩士學位論文 前3條

1 王次臣;基于深度學習的大規(guī)模圖數據挖掘[D];南京郵電大學;2017年

2 亢銘;基于知識圖譜的國際工程教育研究領域可視化分析[D];天津大學;2014年

3 劉婷;教育技術學知識圖譜的構建[D];哈爾濱師范大學;2014年

本文編號：2687221