声明
致谢
1 引言
1.1 研究背景及意义
1.2 研究内容及创新点
1.3 论文组织结构
2 知识表示学习研究综述
2.1 相关理论基础
2.1.1 知识表示学习
2.1.2 注意力机制
2.1.3 负采样方法
2.2 符号定义
2.3 数据集简介
2.4 评估任务及评价指标
2.4.1 链接预测
2.4.2 三元组分类
2.5 知识表示学习研究现状
2.5.1 基于三元组事实的知识表示学习方法
2.5.2 融合多源信息的知识表示学习方法
2.6 本章小结
3 融合实体类别信息的知识表示学习
3.1 问题分析
3.2 融合实体类别信息的知识表示学习模型
3.2.1 基于类别的实体表示
3.2.2 模型总体框架
3.2.3 注意力机制
3.2.4 模型训练
3.2.5 模型复杂度分析
3.3 实验
3.3.1 实验设置
3.3.2 实验结果及分析
3.3.3 案例分析
3.4 本章小结
4 融合实体类别信息的负采样方法
4.1 问题分析
4.2 基于实体类别相似度的负采样方法
4.2.1 类别相似度定义
4.2.2 负采样方法描述
4.3 实验
4.3.1 实验设置
4.3.2 实验结果及分析
4.4 本章小结
5 总结与展望
5.1 工作总结
5.2 未来工作展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
独创性声明
学位论文数据集
北京交通大学;