基于多源信息表示学习的知识图谱补全算法研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 研究背景和意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 基于三元组本身的模型 | 第16-17页 |
| 1.2.2 融入三元组之外信息的模型 | 第17-18页 |
| 1.2.3 当前存在的问题 | 第18页 |
| 1.3 本文的研究内容 | 第18-19页 |
| 1.4 本文的组织结构 | 第19-20页 |
| 1.5 本章小结 | 第20-21页 |
| 第2章 相关研究基础与技术 | 第21-36页 |
| 2.1 符号定义 | 第21页 |
| 2.2 知识表示学习与知识图谱补全 | 第21-23页 |
| 2.3 基于三元组本身的模型 | 第23-30页 |
| 2.3.1 潜层距离模型 | 第23-26页 |
| 2.3.2 语义匹配模型 | 第26-28页 |
| 2.3.3 潜层距离模型和语义匹配模型对比 | 第28页 |
| 2.3.4 模型的训练方式 | 第28-30页 |
| 2.4 融入三元组之外信息的模型 | 第30-34页 |
| 2.4.1 融入三元组派生出的特征的模型 | 第30-32页 |
| 2.4.2 基于多源信息融合的知识表示学习模型 | 第32-34页 |
| 2.5 零次学习场景 | 第34-35页 |
| 2.6 本章小结 | 第35-36页 |
| 第3章 融合实体的文本邻域和结构邻域的模型 | 第36-44页 |
| 3.1 研究动机 | 第36-37页 |
| 3.2 Trans_TNSN模型的定义 | 第37-41页 |
| 3.2.1 文本邻域和结构邻域的构建 | 第37-38页 |
| 3.2.2 算法推导 | 第38-41页 |
| 3.3 Trans_TNSN模型的训练 | 第41-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 基于三元组和实体描述信息联合表示的模型 | 第44-54页 |
| 4.1 研究动机 | 第44-45页 |
| 4.2 实体描述信息建模部分 | 第45-47页 |
| 4.3 Joint1模型 | 第47-50页 |
| 4.3.1 知识表示模型 | 第48-49页 |
| 4.3.2 文本表示模型 | 第49页 |
| 4.3.3 模型的训练 | 第49-50页 |
| 4.4 Joint2模型 | 第50-53页 |
| 4.4.1 模型的定义 | 第50-52页 |
| 4.4.2 模型的训练 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第5章 实验与分析 | 第54-77页 |
| 5.1 实验数据集 | 第54-56页 |
| 5.1.1 知识图谱数据 | 第54-55页 |
| 5.1.2 文本数据 | 第55-56页 |
| 5.2 实验任务 | 第56-58页 |
| 5.2.1 链接预测 | 第56-57页 |
| 5.2.2 三元组分类 | 第57-58页 |
| 5.2.3 实体分类 | 第58页 |
| 5.3 实验的软硬件环境 | 第58-59页 |
| 5.4 融合实体的文本邻域和结构邻域的模型 | 第59-66页 |
| 5.4.1 实验设计 | 第59-60页 |
| 5.4.2 超参数设置 | 第60页 |
| 5.4.3 链接预测实验结果与分析 | 第60-62页 |
| 5.4.4 三元组分类实验结果与分析 | 第62-63页 |
| 5.4.5 结论 | 第63-66页 |
| 5.5 基于三元组和实体描述信息联合表示的模型 | 第66-75页 |
| 5.5.1 实验设计 | 第66-68页 |
| 5.5.2 超参数设置 | 第68-69页 |
| 5.5.3 链接预测实验结果与分析 | 第69-72页 |
| 5.5.4 实体分类实验结果与分析 | 第72-73页 |
| 5.5.5 zero-shot场景下的实验 | 第73-75页 |
| 5.5.6 结论 | 第75页 |
| 5.6 本章小结 | 第75-77页 |
| 第6章 总结与展望 | 第77-79页 |
| 6.1 本文总结 | 第77-78页 |
| 6.2 下一步工作和展望 | 第78-79页 |
| 参考文献 | 第79-85页 |
| 读研期间参与的科研工作情况 | 第85-86页 |
| 致谢 | 第86页 |
