声明
摘要
1.1背景与意义
1.2本文研究内容
1.3本文组织结构
第2章相关研究工作综述
2.1.1基于单个三元组的知识表示学习
2.1.2融合多源信息的知识表示学习
2.2图表示学习的研究进展
2.2.1基于随机游走的图表示学习
2.2.2基于图卷积神经网络的图表示学习
2.3知识表示学习面临的挑战
2.3.1知识图谱内部信息和外部信息
2.3.2知识驱动应用的复杂性
2.4本章小结
3.1引言
3.2基于相邻节点信息的知识表示学习
3.2.1符号体系
3.2.2算法总体描述
3.2.3相邻节点信息的特征学习
3.2.4联合知识表示学习
3.2.5模型训练
3.3实验分析
3.3.1数据集
3.3.2知识图谱补全
3.3.3三元组分类
3.4本章小结
4.1引言
4.2基于多步路径信息的知识表示学习
4.2.1符号体系
4.2.2算法总体描述
4.2.3关系路径的获取
4.2.4单条关系路径的知识表示学习
4.2.5基于多条关系路径的注意力机制
4.2.6联合知识表示学习
4.2.7模型训练
4.3实验分析
4.3.1数据集
4.3.2实验设置
4.3.3知识图谱补全
4.3.4三元组分类
4.4本章小结
5.1引言
5.2基于三元组上下文信息的知识表示学习
5.2.1符号体系
5.2.2算法总体描述
5.2.3相邻节点信息的知识表示学习
5.2.4关系路径信息的知识表示学习
5.2.5联合知识表示学习
5.2.6模型训练
5.3实验分析
5.3.1数据集
5.3.2实验设置
5.3.3不同图结构信息的比较
5.3.4性能评价
5.4本章小结
6.1引言
6.2基于图节点上下文信息的知识表示学习
6.2.1符号体系
6.2.2算法总体描述
6.2.3图节点上下文信息的编码器
6.2.4解码器
6.3实体分类实验
6.3.1数据集
6.3.2实验设置
6.3.3参数分析
6.3.4卷积核的影响
6.3.5与最新模型的比较
6.4知识图谱补全实验
6.4.1数据集
6.4.2实验设置
6.4.3常规知识图谱补全任务的性能评价
6.4.4单样本知识图谱补全任务的性能评价
6.5本章小结
7.1本文工作总结
7.2未来工作展望
参考文献
攻读博士学位期间的主要研究成果
致谢
浙江大学;