执法局网站建设目的,广州企业注册一网通,wordpress 股票交易,wordpress主题中英文来源#xff1a;AAAI2018论文链接#xff1a;https://arxiv.org/pdf/1711.03438.pdf代码链接#xff1a;https://github.com/bxshi/ConMask本文解决知识库补全的问题#xff0c;但和传统的 KGC 任务的场景有所不同。以往知识库补全的前提是实体和关系都已经在 KG 中存在AAAI2018论文链接https://arxiv.org/pdf/1711.03438.pdf代码链接https://github.com/bxshi/ConMask本文解决知识库补全的问题但和传统的 KGC 任务的场景有所不同。以往知识库补全的前提是实体和关系都已经在 KG 中存在文中把那类情况定义为 Closed-World KGC。从其定义可以发现它是严重依赖已有KG连接的不能对弱连接有好的预测并且无法处理从 KG 外部加入的新实体。对此这篇文章定义了 Open-World KGC可以接收 KG 外部的实体并链接到 KG。论文提出的模型是 ConMaskConMask 模型主要有三部分操作 1 Relationship-dependent content masking强调留下和任务相关的词抹去不相关的单词 模型采用attention机制基于相似度得到上下文的词和给定关系的词的权重矩阵通过观察发现目标实体有时候在权重高的词indicator words附近提出 MCRW 考虑了上下文的权重求解方法。2 Target fusion从相关文本抽取目标实体的 embedding用FCN即全卷积神经网络的方法这个部分输入是masked content matrix每层先有两个 1-D 卷积操作再是sigmoid激活函数然后是 batch normalization最后是最大池化。为避免参数过多在得到实体名等文本特征时本文选用语义平均来得到特征的 embedding 表示3 Target entity resolution通过计算 KG 中候选目标实体和抽取的实体的 embedding 间的相似性结合其他文本特征得到一个 ranked list。本文设计了一个 list-wise ranking 损失函数采样时按 50% 比例替换 head 和 tail 生成负样本S 函数时 softmax 函数论文的整体模型图为本文在 DBPedia50k 和 DBPedia500k 数据集上取得较好的结果同时作者还添加了 Closed-World KGC 的实验发现在 FB15k以及前两个数据集上效果也很不错证明了模型的有效性。 笔记整理李娟浙江大学博士在读研究兴趣为知识图谱表示学习。OpenKG.CN中文开放知识图谱简称OpenKG.CN旨在促进中文知识图谱数据的开放与互联促进知识图谱和语义技术的普及和广泛应用。转载须知转载需注明来源“OpenKG.CN”、作者及原文链接。如需修改标题请注明原标题。点击阅读原文进入 OpenKG 博客。