检索结果-内蒙古大学图书馆

电子学报 2019年第9期47卷 1841-1847页

作者：康世泽吉立新刘树新丁悦航战略支援部队信息工程大学

跨语言实体对齐旨在找到不同语言知识图谱中指向现实世界同一事物的实体.传统的跨语言实体对齐方法通常仅依靠知识图谱内部的结构信息,但实际上一些知识图谱提供的实体描述信息也可以被利用.本文提出了一种结合知识图谱的内部结构和实... 详细信息

跨语言实体对齐旨在找到不同语言知识图谱中指向现实世界同一事物的实体.传统的跨语言实体对齐方法通常仅依靠知识图谱内部的结构信息,但实际上一些知识图谱提供的实体描述信息也可以被利用.本文提出了一种结合知识图谱的内部结构和实体描述信息共同进行跨语言实体对齐的模型.该模型首先通过训练基于知识图谱结构信息的知识向量找到可能被对齐的实体对,再结合实体描述信息利用改进后的共享参数模型选出最终的对齐实体,最后通过迭代对齐的方法重复前两个步骤找到更多的对齐实体直到训练结束.实验结果表明,与基准算法相比,本文所提模型在跨语言实体对齐任务上可以取得相对不错的结果.

关键词：跨语言实体对齐知识向量跨语言实体描述相似度

来源：评论

学校读者我要写书评

暂无评论

基于线图的关系感知跨语言实体对齐方法研究

基于线图的关系感知跨语言实体对齐方法研究

引用

作者：吴建清合肥工业大学

学位级别：硕士

知识图谱作为一种新颖的语义网络,在表达结构化知识方面具有独特的优势,因此成为当前研究的热点之一。随着越来越多的个人和机构构建并发布不同的知识图谱,不同语言知识图谱之间的差异性问题日益凸显,这可能对异源知识在全球范围内的共... 详细信息

知识图谱作为一种新颖的语义网络,在表达结构化知识方面具有独特的优势,因此成为当前研究的热点之一。随着越来越多的个人和机构构建并发布不同的知识图谱,不同语言知识图谱之间的差异性问题日益凸显,这可能对异源知识在全球范围内的共享造成不利影响。跨语言实体对齐是连接异源知识图谱和促进知识统一的重要方法之一,其能够自动地在不同语言的知识图谱之间搜索等价的实体,从而将多个异源知识图谱整合为一个具有完备知识的图谱。这一过程可以促进不同语言知识的互通和共享,进而提升知识图谱的整体价值。现有的跨语言实体对齐方法主要依赖嵌入模型,这些模型将知识图谱中的实体和关系编码为具有语义和结构信息的向量表示,并在统一的向量空间中基于距离来搜索潜在的对齐实体。然而,现有的图谱嵌入模型通常过于关注图谱中实体的拓扑信息,而忽视了关系之间的结构信息。这导致关系向量表示的表达能力受限,缺乏区分度,从而影响了实体向量表示的质量和实体对齐的精度。因此,如何有效地编码知识图谱中隐含的关系结构信息并提升实体的语义表达,成为一个值得研究的问题。本文的具体内容如下: (1)为了解决已有方法中关系表示缺失结构信息的问题,提出独立构建关系表示的思路,并进一步提出融合关系结构和方向信息的线图来优化关系的嵌入表示。首先,考虑关系方向构建出度线图和入度线图以捕获关系的结构信息,并利用注意力网络学习两个线图的向量表示;随后,为进一步强化实体表示中的关系信息,创新性的提出以三元组为聚合单元的图注意力网络,将关系信息融合到最终的实体表示中。三个跨语言数据集和两个同语言数据集上的实验表明了方法的有效性。 (2)为了应对知识图谱中多种关系结构,如邻接结构、环形结构等,给构建关系表示带来的挑战。采用基于邻接结构线图和环形结构线图的独立关系表示方法编码上述关系结构信息,并通过增强网络对实体结构和关系结构进行融合以获取更全面的实体嵌入表示。此外,针对对齐过程中不可避免的hubness问题,创新性的引入最优传输对齐策略,极大的提升了对齐精度。在DBP15k和SRPRS数据集上的实验表明,本方法可以更准确的识别出对齐的实体对。

关键词：跨语言实体对齐知识图谱线图图注意力网络

来源：评论

学校读者我要写书评

暂无评论

基于多特征融合的跨语言实体对齐技术研究

基于多特征融合的跨语言实体对齐技术研究

引用

作者：何志豪哈尔滨工程大学

学位级别：硕士

跨语言实体对齐可以在多个不同语言的知识图谱中找到具有相同语义的实体,并将这些实体映射到真实世界的同一对象,从而实现知识的互补和跨语言增强。然而,现在大多数跨语言实体对齐方法并不能充分的提取和融合知识图谱中实体的多种特征... 详细信息

跨语言实体对齐可以在多个不同语言的知识图谱中找到具有相同语义的实体,并将这些实体映射到真实世界的同一对象,从而实现知识的互补和跨语言增强。然而,现在大多数跨语言实体对齐方法并不能充分的提取和融合知识图谱中实体的多种特征。对此,本文提出了两种跨语言实体特征抽取方法,并通过合理的方法将实体的多种特征融合到一起,从而为上述问题提供了解决方案。针对跨语言实体多种特征提取和融合问题,本文主要做了以下工作:(1)基于语料库融合和RotatE模型提出了一种跨语言实体关系特征提取方法。本方法首先通过语料库融合将跨语言知识图谱中的实体映射到统一的空间中,然后通过RotatE模型提取出实体的复杂关系特征。(2)基于TextRank和SIF算法提出了一种多语言文本摘要算法,然后通过该文本摘要算法和BERT模型提出了一种跨语言实体名称和属性特征提取方法。本方法首先通过多语言文本摘要算法提取实体属性、属性值组合序列中的关键部分,然后通过BERT模型对实体名称和实体关键属性、属性值组合序列进行特征提取。(3)基于BERT模型嵌入层和加权融合思想构建了一个多特征融合的跨语言实体对齐模型。在模型训练阶段,本模型首先通过GCN-Align模型获取实体结构特征,然后结合BERT模型嵌入层去融合实体的结构、名称和属性特征。在模型测试阶段,本模型将基于加权融合思想把融合后的实体结构、名称和属性特征再次和实体关系特征融合到一起,并用于完成跨语言实体对齐任务。本文在DBP15K数据集上将本文提出的方法与其它基线模型进行了比较和分析,实验结果表明本文所提方法优于基线模型,证明了本文方法的有效性。

关键词：跨语言实体对齐 RotatE BERT 特征融合文本摘要

来源：评论

学校读者我要写书评

暂无评论

噪声敏感的关系感知跨语言实体对齐方法研究

噪声敏感的关系感知跨语言实体对齐方法研究

引用

作者：单力秋辽宁工程技术大学

学位级别：硕士

知识图谱是一种用图来描述知识的技术方法,在表示从不同领域收集的知识方面起着至关重要的作用。然而,不同的知识图谱通常由不同的技术或不同的语言构造,这些单独构建的知识图谱之间包含异构但互补的内容,因此将不同来源或不同语言的知... 详细信息

知识图谱是一种用图来描述知识的技术方法,在表示从不同领域收集的知识方面起着至关重要的作用。然而,不同的知识图谱通常由不同的技术或不同的语言构造,这些单独构建的知识图谱之间包含异构但互补的内容,因此将不同来源或不同语言的知识图谱整合为统一的知识图谱很有意义,一种有效的对齐知识图谱的方法是把多个不同来源但代表相同对象的实体进行对齐。在大数据时代的背景下,为了实现知识的全球共享,跨语言实体对齐作用愈加明显。双语词典是跨语言自然语言处理中一项非常重要的资源,对跨语言实体对齐任务有着奠基的作用。本文以中英文两种语言为例,提出了一种基于百科语料的中英文双语词典的提取方法。方法是在对文本内容提取的基础上结合在线百科的结构特点,分别用五种不同的方法对百科语料进行提取,与以往的基于部分双语语料的提取方法相比,本方法在在线百科语料上的提取数量提高了170.75%。目前实现跨语言实体对齐方法主要是基于知识图谱表示学习以及图卷积网络(Graph Convolutional Networks,GCN)方法,前者学习知识在不同知识图谱中的向量表示,并通过计算不同知识图谱中向量的相似度来对齐实体,但这种方法对知识图谱中大量存在的复杂的关系的获取比较困难,而后者则更容易获取复杂的关系。然而以上两种方法的训练集通常是人工标注的预对齐的实体对,可能包含噪声,这会影响最终的对齐结果。因此本文提出了一种噪声敏感的关系感知双图卷积网络模型(Noise Sensitive Relation Aware Dual Graph Convolution Network,NSRDGCN),模型解决了关系感知类的跨语言实体对齐模型对数据集要求更高的问题,提高鲁棒性。模型由两部分组成,分别是关系感知跨语言实体对齐模块和噪声检测模块,其中噪声检测模块利用生成式对抗网络(Generative Adversarial Network,GAN)来检测训练集中的噪声,生成器生成噪声,而判别器鉴别噪声与真实数据,二者进行对抗训练;关系感知跨语言实体对齐模块通过(实体,关系,实体)三元组以及其对应的(关系,实体,关系)三元组之间的影响来学习更好的实体表示,并通过连接GCN层来增强邻居的影响。论文在DBP15K的三个真实的跨语言数据集上进行了实验,把现有的跨语言实体对齐模型JE、MTrans E、JAPE、IPTrans E、Boot EA、GCN-Align、KECG、SEA、REA、RDGCN作为基线模型,进行不同评分函数的实验对比,实验结果表明,NSRDGCN方法明显优于这些基线模型方法,尤其在英文日文双语数据集中,NSRDGCN的对齐性能Hits@1和Hits@10分别提升了1.1%和1.3%以上。该论文有图20幅,表8个,参考文献99篇。

关键词：知识图谱双语词典提取对偶关系图谱噪声检测跨语言实体对齐

来源：评论

学校读者我要写书评

暂无评论

基于改进的图卷积神经网络跨语言实体对齐方法研究

基于改进的图卷积神经网络跨语言实体对齐方法研究

引用

作者：林硕渤海大学

学位级别：硕士

知识图谱的构建及相关应用推动了跨语言实体对齐的不断发展。跨语言实体对齐的任务是将源语言中的实体与目标语言中的实体相匹配,通过跨语言实体对齐能够整合不同语言知识图谱之间的信息,提高知识图谱的准确度。现有的方法主要是通过图... 详细信息

知识图谱的构建及相关应用推动了跨语言实体对齐的不断发展。跨语言实体对齐的任务是将源语言中的实体与目标语言中的实体相匹配,通过跨语言实体对齐能够整合不同语言知识图谱之间的信息,提高知识图谱的准确度。现有的方法主要是通过图神经网络来学习知识图谱的属性嵌入表示,针对同一层对应实体的属性信息不平衡,未区分邻节点具有不同重要程度的问题。本文使用图注意力神经网络,对不同邻节点赋予不同的注意力系数,引入残差网络,激活模型学习性能。同时结合混合专家系统网络,改善模型在嵌入过程中的学习表示,提高模块之间的相关性。本文的主要研究工作如下: 一、本文提出了一种融合图注意力神经网络的跨语言实体对齐方法,包括结构嵌入层、属性嵌入层和图注意力层。利用图卷积神经网络编码图的结构及属性嵌入、使用图注意力神经网络学习实体对于不同邻节点的权重,得到相应的注意力系数。通过更新各节点的注意力系数,能够得到融合邻域属性信息的新特征向量;引入残差网络,激活图注意力层学习更多额外的属性信息。能够通过对实体结构、属性和图注意力多层次学习,进一步改进跨语言实体对齐表现。在公开数据集DBP15K上进行实验分析,验证了所提出模型在属性利用上的优势,可以提升实体对齐的效果。二、为改善多层次嵌入融合过程,提出一种融合混合专家系统网络的跨语言实体对齐方法。在融合图注意力神经网络的跨语言实体对齐方法的基础上,加入专家系统网络,通过门控赋予不同专家网络输出不同的权重,进一步提高跨语言实体对齐的准确率。本文针对专家系统网络数量进行消融实验,并与其他跨语言模型在公开数据集DBP15K上进行对比分析,结果表明提出的模型可以提高实体对齐的准确率。

关键词：知识图谱跨语言实体对齐图注意力网络混合专家系统残差网络

来源：评论

学校读者我要写书评

暂无评论

多模态跨语言实体对齐的方法研究

多模态跨语言实体对齐的方法研究

引用

作者：张文成河北科技大学

学位级别：硕士

虽然知识图谱的发展日益成熟,但是随着大量异质知识图谱的出现使得实体对齐成为知识图谱研究不可或缺的重要技术之一。语言多种多样、质量参差不齐、数据模态不一是导致知识图谱异质性的主要原因。因此,需要通过跨语言实体对齐技术整合... 详细信息

虽然知识图谱的发展日益成熟,但是随着大量异质知识图谱的出现使得实体对齐成为知识图谱研究不可或缺的重要技术之一。语言多种多样、质量参差不齐、数据模态不一是导致知识图谱异质性的主要原因。因此,需要通过跨语言实体对齐技术整合异质知识图谱,从而形成一个大规模、高质量、多语言、多模态的知识图谱,进而为基于知识图谱的相关研究提供有力支持。即便现有方法在跨语言实体对齐任务中取得了不错的结果,但是仍旧存在着等价实体在对齐过程中产生噪声,导致实体对齐的准确率难以提升的问题。因此,提出一种邻居实体筛选规则,用来筛除冗余的等价邻居实体,以确保对齐实体的质量。同时为了降低噪声的干扰,进一步优化了实体筛选规则,并且结合了实体描述信息与图像信息实现跨语言的实体对齐。在公共数据集上,本文与现有的跨语言实体对齐方法进行了比较,实验结果表明,本文提出的方法均有效改善了实体对齐效果。本文主要做了以下研究工作。1)设计一种基于对偶关系图与邻居实体筛选的跨语言实体对齐方法。针对等价邻居实体问题,提出一种基于实体名称和属性的邻居实体筛选规则,用以筛除冗余的等价邻居实体。同时,为了避免实体属性可能不足的情况,为实体筛选带来困扰,本文通过构建对偶关系图作为辅助证据完成实体筛选,并且利用对偶关系图来加强实体之间的紧密联系,使得实体的邻居信息得到充分利用。2)设计一种基于实体假设替换的优化邻居实体筛选方法。现实语料库中,两个名称相同的实体,它们的属性信息可能相似或者存在包含关系,通常这种情况便认为两个实体是等价的,然而事实上未必等价。因此,基于这种情况,本文提出一种优化的邻居实体筛选策略。通过假设两个实体等价,然后替换它们在知识图谱中的位置,并结合邻居实体信息判断替换实体后的知识图谱结构是否成立,最后,通过对比替换前后实体的邻域特征向量是否相似来判断两个实体等价与否。3)设计一种基于实体描述与图像的跨语言实体对齐方法。利用脉冲耦合神经网络抽取实体描述中隐含的关系,然后结合实体名称、属性和预对齐实体对进行迭代交互,从而实现初步对齐。利用图像特征提取方法提取图像特征知识,并通过图像特征投影实现降维处理,然后与实体描述特征向量结合。通过关系聚合网络来聚合所捕获到的实体的每一层邻居输出特征向量,然后利用预对齐实体对指导对齐,并通过计算两个实体的输出特征向量的相似度来判断两个实体是否可以对齐,最后将两次对齐的结果进行对比,并且以最小值作为最终的对齐结果。

关键词：知识图谱异质性跨语言实体对齐等价实体实体筛选

来源：评论

学校读者我要写书评

暂无评论

基于自举学习和多视角学习的跨语言实体对齐技术研究

基于自举学习和多视角学习的跨语言实体对齐技术研究

引用

作者：徐玮浙江大学

学位级别：硕士

多语言知识图谱的构建和应用,推动了许多人工智能相关的跨语言任务的发展。跨语言实体对齐任务是指在多语言场景下,找到不同语言中的匹配实体对的任务。通过跨语言的实体对齐,可以连接和融合不同语言的知识图谱,形成新的知识,增加知识... 详细信息

多语言知识图谱的构建和应用,推动了许多人工智能相关的跨语言任务的发展。跨语言实体对齐任务是指在多语言场景下,找到不同语言中的匹配实体对的任务。通过跨语言的实体对齐,可以连接和融合不同语言的知识图谱,形成新的知识,增加知识图谱的信息密度。现有方法主要依赖于少量跨语言链接和三元组结构编码实体。随着互联网的发展、众包技术的成熟,大量知识图谱也为实体提供了丰富的实体描述,给文本信息的编码提供了条件。针对结构编码优化,文本编码的引入,以及对齐数据稀少等问题,本文研究并提出了相应的跨语言实体对齐模型。本文的主要贡献如下:(1)提出了基于TransD模型的自举式跨语言实体对齐模型。利用TransD模型增加实体和关系之间的交互,编码知识图谱中的实体和关系,通过三元组损失优化实体的向量表示。对于训练数据中对齐实体对不足的问题,利用自举法筛选训练中得到的新对齐实体对,扩充训练数据。在数据集DBP15K上证明了本文提出的模型在结构编码上的优势以及自举式扩充训练数据的有效性,并从而提升了跨语言实体对齐效果。(2)提出了使用图卷积网络编码知识图谱多视角信息的跨语言实体对齐模型。根据知识图谱三元组和实体描述文本,用双层图卷积网络分别进行实体结构嵌入和实体文本嵌入,结合两个视角的嵌入表示计算实体对齐。此外,引入机器翻译和长短时记忆网络编码跨语言实体描述,进一步改进跨语言实体对齐表现。本文针对文本嵌入模块进行了消融实验,并通过在数据集DBP15K上与其它跨语言实体对齐模型的比较与分析,证明了本文模型使用图卷积网络编码结构和文本的优越性,以及文本描述编码对于实体对齐任务的有效性。

关键词：跨语言实体对齐知识图谱图卷积网络深度学习

来源：评论

学校读者我要写书评

暂无评论

多模态特征抽取与跨语言全局实体对齐研究

多模态特征抽取与跨语言全局实体对齐研究

引用

作者：张家辉哈尔滨工程大学

学位级别：硕士

跨语言实体对齐表示将两个不同语言的知识图谱中表示相同语义的实体进行对齐,它可以帮助不同语言的实体之间建立关联,促进信息的跨语言共享和应用。然而,现有的实体对齐方法主要依赖于实体的名称、关系特征,而忽略了实体本身的多模态信... 详细信息

跨语言实体对齐表示将两个不同语言的知识图谱中表示相同语义的实体进行对齐,它可以帮助不同语言的实体之间建立关联,促进信息的跨语言共享和应用。然而,现有的实体对齐方法主要依赖于实体的名称、关系特征,而忽略了实体本身的多模态信息,如文本描述、视图等特征。这些多模态特征可以提供更丰富、更准确的信息,从而有助于解决语言之间的歧义,提高实体对齐任务的准确率。近年来,随着多模态知识图谱的不断扩充,如何更好地利用实体的多模态信息进行跨语言实体对齐已经成为了亟待解决的问题。对此,本文首先针对多模态知识图谱特征抽取和融合的相关研究进行了调研和总结,然后针对实体不同的多模态特征,提出了对应的特征抽取方法,并使用合理的方式将这些多模态特征进行融合:首先使用ResNet-152模型对实体的视图特征进行抽取,并加入对比学习提高对齐的准确性和稳定性;在实体的关系特征上,为了更好地获取多跳实体及多跳关系的特征信息,创新性地提出了一种关系特征抽取模型Dual-GAT,将实体的视图特征作为实体初始特征后,通过关系表示、关系增强图注意力网络、融合关系特征的实体表示、实体增强图注意力网络这4个任务增强实体关系特征的表示;并基于MT5和LaBSE模型提出了一种跨语言文本摘要和编码模型NDLaBSE,实现对实体文本描述信息的特征抽取。关于实体多模态特征融合方面,由于实体有些模态所含的有效信息较多而有些模态所含的有效信息较少,通过简单的加权融合方法可能会引入过多的噪声影响实体对齐的效果。因此本文提出了 MAMCL模型使用多头自注意力机制实现对实体多模态特征的融合,通过对不同模态的特征“动态”地分配不同的权重进行融合,从而获得更全面、更有代表性的多模态特征,并提高模型的鲁棒性。同时在训练中加入了多模态对比学习策略,帮助模型学习到更加具有区分性的特征,从而提高模型的判别能力。在此基础上,本文针对全局实体对齐任务创新性地提出了一种多对稳定匹配算法MPSM,通过修改延时接受算法每轮发出匹配请求的数量及接受匹配请求的规则,实现跨语言实体之间一对一及一对多的稳定匹配。最后本文在DBP15K数据集上进行了实验,对比并分析了所提出的方法和其他基线模型的性能差异。实验结果表明,使用本文提出的MAMCL模型和MPSM算法方法都能在不同方面提升跨语言实体对齐任务的准确率。最终,本文提出的MAMCL模型结合MPSM算法在DBP15KZH-EN、DBP15KJA-EN和DBP15KFR-EN数据集上的Hits@1值分别取得了 87.9、91.3和97.9的准确率,领先于其他基准模型,从而证明了本文所提方法的有效性。

关键词：跨语言实体对齐图注意力网络 LaBSE 多模态特征融合稳定匹配

来源：评论

学校读者我要写书评

暂无评论

基于伪孪生网络的跨语言知识图谱实体对齐研究

基于伪孪生网络的跨语言知识图谱实体对齐研究

引用

作者：郑晨峰河北工业大学

学位级别：硕士

随着问答系统、辅助决策、语义搜索和个性化推荐等应用的不断发展,人们对大规模统一多语言知识图谱的需求愈发迫切,因此越来越多的研究开始关注跨语言知识图谱的融合问题。而跨语言知识图谱实体对齐旨在识别两个不同语言构建的知识图谱... 详细信息

随着问答系统、辅助决策、语义搜索和个性化推荐等应用的不断发展,人们对大规模统一多语言知识图谱的需求愈发迫切,因此越来越多的研究开始关注跨语言知识图谱的融合问题。而跨语言知识图谱实体对齐旨在识别两个不同语言构建的知识图谱之间的共同实体,是目前实现跨语言知识图谱融合的一种行之有效的方法。当前实体对齐的研究主要集中在知识图谱包含的文本、关系和结构三个视角,对属性视角的研究较少。因为属性视角的特征提取过程容易被噪声属性和实体通用属性干扰,且属性视角的信息较为分散,属性和属性值文本的构成较为复杂,都会导致属性视角的特征提取不充分。此外,对从多个视角获取的特征,简单地拼接不能有效结合各视角的特征优势,甚至降低原有特征的实体对齐效果。针对以上问题,本文设计了基于属性视角以及融合多视角的跨语言实体对齐模型,主要研究工作如下:(1)针对属性视角特征提取过程中存在干扰属性和属性特征提取不充分的问题,构建基于注意力的深度双向门控循环网络跨语言实体对齐模型(AB-GRU)。该模型通过预训练模型对属性和属性值的名称文本进行初始化,提升属性和属性值文本的表示效果;设计全局和局部注意力机制筛除噪声和通用属性,降低噪声属性对后续特征提取的干扰;构建深度双向门控循环网络聚合分散的属性视角特征,并减少输入序列的位置信息带来的影响,同时提取属性视角的深层特征。(2)针对跨语言知识图谱多视角特征融合质量低的问题,构建基于伪孪生网络的多视角跨语言实体对齐模型(PSN-MEA)。该模型在AB-GRU的基础上引入一个多层的图卷积网络提取实体对应的知识图谱结构视角的特征,在两层相邻的图卷积网络之间搭建一个高速公路门,精炼实体的名称文本特征和结构特征;构建的伪孪生网络可以通过构建统一的目标函数联合训练不同的深度神经网络,使学习得到的多视角特征之间拥有更好的区分性;设计基准多视角融合策略通过配置不同的权重融合文本、结构、属性三个视角的特征,进一步提升实体对齐的效果。本文在跨语言公开数据集DBP15K的3个子集ZH＿EN、JA＿EN、FR＿EN上的实验结果表明,AB-GRU有效提升了属性视角的特征提取效果,PSN-MEA在保留ABGRU优势的基础上,有效融合多视角特征,与11个主流模型的实体对齐结果相比,在Hits@1、Hits@10和MRR三个评价指标上均优于其他模型。

关键词：跨语言实体对齐知识图谱伪孪生网络门控循环单元多视角学习

来源：评论

学校读者我要写书评

暂无评论

面向单语言和跨语言的多模态知识图谱实体对齐研究

面向单语言和跨语言的多模态知识图谱实体对齐研究

引用

作者：陆泽新武汉科技大学

学位级别：硕士

近年来,随着多模态知识图谱的不断发展和应用,越来越多的应用场景需要庞大且信息质量准确的多模态知识图谱来支撑应用程序的发展。因此,实体对齐技术成为当前研究的热点之一,以提高多模态知识图谱的精度和效率。通过实体对齐能够将不同... 详细信息

近年来,随着多模态知识图谱的不断发展和应用,越来越多的应用场景需要庞大且信息质量准确的多模态知识图谱来支撑应用程序的发展。因此,实体对齐技术成为当前研究的热点之一,以提高多模态知识图谱的精度和效率。通过实体对齐能够将不同类型的实体在对应的知识图谱中进行对齐以此来完善多模态知识图谱的各种实体信息。但是目前实体对齐技术存在着一些问题。本文的主要工作内容如下:针对单语言实体对齐中缺少辅助模态、忽略实体模态相互作用和特征融合方案缺失等问题,本文提出一种基于增强机制的单语言多模态实体对齐方法。该方法添加数值模态来辅助多模态实体对齐;利用编码后的视觉特征去增强实体关系表示以及辅助实体属性特征表示并进行对比学习;添加注意力层来动态分配模态注意力权重,形成新的特征联合嵌入进行实体对齐任务来解决上述问题。由于现实世界的知识呈现出多样性,并且以多种语言的形式表达,因此需要考虑不同语言之间存在的语法和表达方式等多方面差异。考虑到现有的跨语言实体对齐方法效率普遍低下,本文在单语言实体对齐方法的基础上,增加了跨语言实体描述模块,通过该模块可以提取实体描述语句中的核心信息,从而更准确地识别和匹配实体。同时,借鉴单语言实体对齐工作中提出的互模态增强方案,实现跨语言实体对齐中的模态特征增强和噪声减小,从而提高跨语言实体对齐效率。基于增强机制的单语言多模态实体对齐方法和基于描述信息的联合机制跨语言实体对齐方法分别在不同的标准数据集上进行了相关实验,并且与基线模型相比均有一定幅度的提升。实验结果也证明了本文提出的两种多模态实体对齐方法的可行性和有效性。

关键词：多模态知识图谱单语言实体对齐跨语言实体对齐对比学习注意力

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：