發(fā)布時間：2024-04-14 23:49

　　知識圖譜是大規(guī)模的語義網絡,近年來受到了學術界和業(yè)界的廣泛關注。隨著越來越多的知識圖譜被構建出來,如何將異構知識圖譜中的知識進行自動化融合,從而提升對領域知識的覆蓋度,以達到更好的知識圖譜應用效果,成為了一項熱門的研究課題。除了早年的語義網研究中關注的本體對齊外,異構知識圖譜融合的兩個子任務為:實體對齊和屬性對齊,分別對應于知識圖譜中的實體層和模式層的融合。然而,以往的研究工作主要集中于實體對齊任務上,對屬性對齊任務則關注較少,且往往忽略了這兩個子任務之間的關聯(lián)性。但事實上,不僅實體的對齊可以促進屬性的對齊,屬性的對齊反之也可以幫助實體做更好的對齊�；谝陨险{研與分析,本文研究并提出了一個實體對齊與屬性對齊交互進行、互相促進的知識圖譜融合算法,并基于該算法設計并實現(xiàn)了一個支持實體對齊和屬性對齊之間交互促進的知識圖譜融合原型系統(tǒng)。本文具體內容包括:(1)在實體對齊模塊,設計了一個綜合利用屬性三元組及關系三元組的無監(jiān)督實體對齊算法。該算法迭代式地執(zhí)行實體對齊與屬性對齊兩個步驟,并與關系嵌入模型結合,在實體對齊準確度上比現(xiàn)有方法提高了約5%。(2)在屬性對齊模塊,提出了基于屬性的關聯(lián)實體去計...

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【部分圖文】：

圖２－２屬性名多樣性帶來的阻石尋??這兩種方法均是基于屬性和屬性值的，它們忽略了圖譜中非常重要的關系元素

（ａｌｉｇｎｍｅｎｔ?ｓｅｅｄｓ），通過機??器學習的方法習得個性化的匹配規(guī)則，以解決領域之間的差異性問題。而以ＰＡＲＩＳ為??代表的概率模型則認為機器學習的方法往往需要耗費大量人工去標注實體對作為訓??練數(shù)據，為了解決訓練數(shù)據匱乏及參數(shù)調節(jié)困難的問題，提出基于概率去衡量兩個??....

圖２－４?ＪＡＰＥ模型??

構嵌入（Ｓｔｒｕｃｔｕｒｅ?Ｅｍｂｅｄｄｉｎｇ，簡稱ＳＥ）和屬性??嵌入（Ａｔｔｒｉｂｕｔｅ?Ｅｍｂｅｄｄｉｎｇ，簡稱ＡＥ）這兩個模型來學習實體的ｅｍｂｅｄｄｉｎｇ，其中ＳＥ??從關系三元組的角度對兩個圖譜的關系結構進行建模，而ＡＥ嘗試將經常用來描述同??一個實體的屬性聚類到一起....

圖２－６百度百科杭州詞條??

０１８０元（２０１８年〉??郵酌區(qū)輯?３１００００?歷史名Ａ?孫校、厲￥？、Ｘ活、賀知１等??浙：工省北部？錢垮工下游＊宇杭大運可雨端?與Ｋ名人?馬云、厲聲轱、？：氐后、枵等??ｉｆｏ?＜�。�?１６８５３?５７平方千米?ｔ再字捫?彳ｆｉ：Ｉ大字、中國美咤、折工大等??丨丨?９８０....

圖４－２屬性對齊的例子??

第四章基于關聯(lián)實體計算相似度的屬性對齊算法?異構知識圖譜融合系統(tǒng)的研究與實現(xiàn)??述的實體對齊算法中曾經提到，基于已知對齊的實體對和關系對種子，可以對剩余??的實體和關系進行對齊，這里就是利用了非常關鍵的圖譜結構信息。但這種方法存??在的問題是，對于那些出現(xiàn)頻次較高的關系，結構信息....

本文編號：3955414