[发明专利]一种基于隐式翻译模型的知识图谱嵌入方法在审
| 申请号： | 201911036820.5 | 申请日： | 2019-10-29 |
| 公开（公告）号： | CN110765788A | 公开（公告）日： | 2020-02-07 |
| 发明（设计）人： | 于健;王儒;于瑞国;李雪威;岳远志;赵满坤;徐天一;应翔 | 申请（专利权）人： | 天津大学 |
| 主分类号： | G06F40/58 | 分类号： | G06F40/58;G06F16/36;G06N3/08 |
| 代理公司： | 12201 天津市北洋有限责任专利代理事务所 | 代理人： | 刘子文 |
| 地址： | 300072*** | 国省代码： | 天津;12 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开一种基于隐式翻译模型的知识图谱嵌入方法，不同于传统的基于翻译模型的方法，首次将关系表示成为两层全连接前馈神经网络，增强了知识图谱中对于复杂关系的表示能力，可以有效处理其他基于翻译模型方法无法处理的两种复杂情况，包括同实体对之间具有多种不同关系的情况和多个实体之间具有循环关系的情况，有效提高了知识图谱嵌入的效果，最终通过实体链接预测测试和三元组验证测试的测试结果证明了本发明方法确实优于现有的基于翻译模型的方法。 | ||
| 搜索关键词： | 翻译 图谱 前馈神经网络 复杂关系 关系表示 循环关系 验证测试 有效处理 传统的 嵌入的 三元组 链接 两层 隐式 嵌入 测试 预测 | ||
【主权项】：
1.一种基于隐式翻译模型的知识图谱嵌入方法，其特征在于，包括以下步骤：/n步骤一，利用全连接的思想，构建知识图谱中实体之间的关系表示方法；/n步骤二，通过关系表示方法得到神经网络的损失函数；/n步骤三，使用训练集中的事实三元组数据训练神经网络，事实三元组数据由头实体、关系和尾实体组成，是通过对事实语句提取获得的，得到头实体向量、尾实体向量和关系的表示结果；/n步骤四，使用测试集中的三元组数据测试训练出的神经网络，验证并分析实体和关系的嵌入效果。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于天津大学，未经天津大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201911036820.5/，转载请声明来源钻瓜专利网。
