-
公开(公告)号：CN114020923B
公开(公告)日：2025-01-07
申请号：CN202111158961.1
申请日：2021-09-30
Applicant: 福州大学
IPC: G06F16/36 , G06F40/30 , G06N3/0442 , G06N3/088
Abstract: 本发明涉及一种基于无监督类型约束的上下文感知知识补全方法及系统，该方法构建基于无监督类型约束的上下文感知模型，首先，通过设定时间粒度，对数据集预处理，以使数据在时间分布上均衡；其次，在四元组结构模块中，通过邻居编码器聚合实体上下文信息，增强实体的嵌入表示；在四元组类型模块中，将四元组嵌入到实数空间，四元组类型模块在无监督环境下获得类型约束的实体表示，通过实体潜在类型信息进一步约束实体嵌入表示，提高模型补全能力；最后，将四元组结构模块的得分与四元组类型模块的得分按照设定的权重聚合，获得四元组的最终得分。该方法及系统提高了实体嵌入的质量，提升了模型在知识补全任务上的性能。
-
公开(公告)号：CN117194681A
公开(公告)日：2023-12-08
申请号：CN202311261815.0
申请日：2023-09-27
Applicant: 福州大学
IPC: G06F16/36 , G06F18/214 , G06F18/25 , G06F40/279
Abstract: 本发明提出利用类型融合改进知识图嵌入的KGE‑TF方法，利用实体类型聚合器和关系上下文类型聚合器，将类型信息融入知识图的实体嵌入和知识图的关系嵌入；所述方法还包括基于KGE‑TF模型的KGE‑TF框架，所述框架通过约定统一的损失函数来形成通用的知识表示学习框架，所述框架将类型信息作为任意维度的低维向量，并将类型信息映射到实体嵌入空间与关系嵌入空间中与其融合，丰富实体和关系的嵌入表示，缓解数据稀疏问题；所述类型信息为附加的融合信息，不要求每个实体都拥有类型信息；本发明能丰富实体和关系的嵌入表示，缓解数据稀疏问题，本发明还约定统一的损失函数，形成一种通用的知识表示学习框架，以显著提高原有模型在知识补全任务上的性能。
-
公开(公告)号：CN112561064B
公开(公告)日：2023-03-24
申请号：CN202011518699.2
申请日：2020-12-21
Applicant: 福州大学
IPC: G06N5/025 , G06N5/02 , G06N3/042 , G06N3/0442 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06F16/36
Abstract: 本发明涉及一种基于OWKBC模型的知识库补全方法，包括以下步骤：步骤S1:获取知识库数据，并预处理，得到的实体对应的文本嵌入表示和图像嵌入表示；步骤S2：结合多模态知识编码器和TransE模型，构建基于翻译的多模态知识编码器；步骤S3:将实体的图像嵌入表示和文本嵌入表示输入到基于翻译的多模态知识编码器，得到实体和关系的嵌入表示;步骤S4:根据得到的实体和关系的嵌入表示输入到解码器中，获得实体和关系之间潜在的语义关系，完成知识库补全。本发明能够有效融合实体对应的图像信息和文本信息生成实体的嵌入表示，解决OOKB（Out‑Of‑Knowledge‑Base）实体问题，完成开放世界下的知识库补全。
-
公开(公告)号：CN112348191B
公开(公告)日：2022-06-21
申请号：CN202011159918.2
申请日：2020-10-26
Applicant: 福州大学
IPC: G06N5/02
Abstract: 本发明涉及一种基于多模态表示学习的知识库补全方法，给定知识库KB，所述KB包含两部分，一是已知的知识集合，二是未知的知识集合；对知识库中的数据进行数据预处理；提出知识库补全模型ConvAt，对获取的数据首先生成头实体和尾实体的多模态表示；然后将头实体的多模态表示、关系的结构特征向量和尾实体的多模态表示按列拼接后，分别通过卷积神经网络模块、通道注意力模块和空间注意力模块处理，最后与一个权重矩阵相乘得到三元组(h,r,t)的评分；使用损失函数对步骤S2中的补全模型进行训练，并使用训练后的模型进行知识库补全。本发明提出的算法能够融合外部信息，能够利用更丰富的语义信息。
-
公开(公告)号：CN111144570B
公开(公告)日：2022-06-21
申请号：CN201911372727.1
申请日：2019-12-27
Applicant: 福州大学
IPC: G06N5/02
Abstract: 本发明涉及一种联合逻辑规则和置信度的知识表示方法，针对实时流入的动态知识碎片，若其已经存在于现有知识库中，则利用知识库训练好的模型进行知识推理；否则将其存入缓存区；当缓存区内数据满足预设条件时，将缓存区内的知识碎片加入知识库中，并对知识库重新进行模型训练。其训练包括在知识库上使用规则挖掘算法挖掘出知识库的Horn逻辑规则，为每条规则计算规则PCA置信度；根据规则的置信度结合概率软逻辑计算新推出的事实三元组的置信度；将融合逻辑规则语义信息的三元组联合置信度共同嵌入，提高知识表示的性能。本发明实现了不确定推理在动态知识图谱下的知识推理。
-
Patent Agency Ranking
公开(公告)号：CN111078896B
公开(公告)日：2022-06-21
申请号：CN201911308709.7
申请日：2019-12-18
Applicant: 福州大学
Abstract: 本发明涉及一种基于并行规则挖掘算法PRMATC的知识库补全方法，包括以下步骤：步骤S1:将大规模语义网络知识库KB中的所有事实三元组以及实体导入、存储到分布式集群Neo4j图数据库中；步骤S2:构建BILSTM‑CRF模型，并训练；步骤S3:通过训练好的BILSTM‑CRF模型对关系两侧的实体进行识别与分类，转换得到关系的定义域和值域;步骤S4:改进FP‑Growth算法；步骤S5:挖掘出事务间隐含的强关联规则；步骤S6:根据得到的关系的定义域和强关联规则转换成Horn逻辑规则;步骤S7:根据得到Horn逻辑规则，获取新的知识，并添加至知识库KB中。本发明能够高效地找到代表知识库Horn规则的同时，挖掘规则的数量和准确率方面也更优于其他规则挖掘系统，能更好的补全知识库。
-
公开(公告)号：CN113836319A
公开(公告)日：2021-12-24
申请号：CN202111158954.1
申请日：2021-09-30
Applicant: 福州大学
Abstract: 本发明涉及一种融合实体邻居的知识补全方法及系统，该方法构建基于Triplet注意力的循环卷积神经网络模型CCTA，其按如下方法进行知识补全：首先，从文本描述和拓扑邻居中收集得到实体邻居并对其进行编码，结合实体名称信息进一步增强语义，生成实体的融合表示；然后，将得到的融合表示和关系表示进行特征重排和特征重塑；而后，使用Triplet注意力捕获跨维度交互来计算注意力，再通过循环卷积操作提取实体和关系的交互特征，得到特征图；最后，将特征映射拉平，再通过一个全连接层映射到实体嵌入维度，与尾实体矩阵进行点积归一化后得到三元组的评分。该方法及系统有利于提升知识补全的性能。
-
公开(公告)号：CN109558502B
公开(公告)日：2021-11-30
申请号：CN201811548053.1
申请日：2018-12-18
Applicant: 福州大学
IPC: G06F16/50 , G06F16/583
Abstract: 本发明涉及一种基于知识图谱的城市安全数据检索方法，利用Neo4j图数据库的特点，将城市安全知识图谱RDF图数据以及不断流入的知识碎片映射到图数据库中，在分布式环境下，当多关键字遍布在多个相互关联标签节点上时，在相互作用的标签图中，根据关键词锚定到的实例节点与关键关系占比，以及标签间的占比快速地预先计算出价值最高的标签，从该标签开始遍历能最快速度的确定起始的实例节点，同时缩短了到下一跳关键节点的时间，提高了对动态变化知识图谱图的数据库检索效率。
-
公开(公告)号：CN111191460A
公开(公告)日：2020-05-22
申请号：CN201911390283.4
申请日：2019-12-30
Applicant: 福州大学
Abstract: 本发明涉及一种结合逻辑规则和碎片化知识的关系预测方法。首先对事实三元组和逻辑规则进行统一的建模，将隐藏的语义信息嵌入到基于知识表示的关系推理模型中；其次，结合碎片化知识，不断迭代更新，使得知识库变得越加完备。本发明对事实三元组和逻辑规则进行统一的建模，将隐藏的语义信息嵌入到基于知识表示的关系推理模型中，实现更精准地预测。
-
公开(公告)号：CN111177282A
公开(公告)日：2020-05-19
申请号：CN201911398805.5
申请日：2019-12-30
Applicant: 福州大学
Abstract: 本发明涉及一种融入注意力机制的预测方法，将包括头实体向量、关系向量、尾实体向量和时间向量的四元组作为输入层；引入注意力机制层，为四元组的各项创建其上下文向量，将得到的上下文向量加上原来四元组对应各项的向量形成新的矩阵向量，并将新的矩阵向量转置馈送到卷积层；在卷积层当中通过不同的卷积核捕获头尾实体、关系和事实发生时间相同维度之间的全局特征；通过点积将特征向量和权重向量相乘得到其四元组分数。本发明从卷积神经网络的角度出发，在结合时序知识的同时，融入注意力机制来提取四元组中各项的上下文信息和相关性，能够提高模型的预测性能。
-
-
-
-
-
-
-
-
-
Search Results
87
records
(took 0.029 seconds)
