24小时学会网站建设下载,网站制作培训一般要多少钱,药检局信息化网站系统建设方案,网站有哪些区别笔记整理 | 陈湘楠#xff0c;浙江大学在读硕士。现有的知识图谱补全方法都在试图设计全新的学习算法#xff0c;来使用已知的事实信息去推理知识图谱中的潜在语义。但随着知识图谱的广泛使用#xff0c;知识图谱中的许多实体对应着应用程序系统的在线项目。但知识图谱和应用… 笔记整理 | 陈湘楠浙江大学在读硕士。现有的知识图谱补全方法都在试图设计全新的学习算法来使用已知的事实信息去推理知识图谱中的潜在语义。但随着知识图谱的广泛使用知识图谱中的许多实体对应着应用程序系统的在线项目。但知识图谱和应用程序这两种数据源具有不同的内在特征简单的融合策略反而会影响知识图谱的性能。本文首先基于图神经网络提出一种协同表示学习算法从应用系统中的用户交互数据中挖掘其对应的实体偏好信息之后提出一种对抗学习方法UPGAN将学习到的实体偏好信息用于知识图谱补全任务。本文方法概览如下1.协同表示学习算法学习以实体为导向的用户偏好其中是用户结点初始的表示学习表示概览图中的结点。表示对于实体nj在概览图中的的前向三元组。学习用户偏好增强的实体表示其中表示对于实体nj在概览图中的的前向三元组。2.对抗学习对抗学习要优化的目标函数其中θG表示生成器G的参数θD表示判别器D的参数。对于生成器G,通过生成候选实体计算公式和生成器的损失函数如下对于判别器D通过计算候选实体是答案的概率计算公式和判别器的损失函数如下实验部分作者构建了三种不同用户交互领域的数据集电影、音乐和书籍。并分别在这三个数据集中做链接预测任务。实验结果如下从实验结果中可以看出UPGAN相较于其他可比较的方法在链接预测任务上都有明显提升并且能更好地利用用户偏好信息。欢迎有兴趣的同学阅读原文。 OpenKG开放知识图谱简称 OpenKG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。点击阅读原文进入 OpenKG 网站。
