基于圖的關系推理算法研究與實現.pdf

1、伴隨著信息技術及互聯網的快速發(fā)展，傳統(tǒng)基于文本的的信息檢索方法已經難以滿足用戶的需求，迫切需要一種更加高效的信息處理方法。知識圖譜研究就是在此背景下產生和發(fā)展起來的，知識圖譜對非結構的文本信息進行處理，抽取獲得包含其中的結構化知識，最終構建成為一張巨大的知識網絡，相關的應用基于這一網絡為用戶提供更加快速和準確的服務。關系推理技術是組成整個知識圖譜系統(tǒng)的核心模塊之一，其主要任務是：在不添加額外知識的情況下，使用知識圖譜中已經存在的知識，通

2、過加工推理獲得新的知識。該技術對于知識圖譜的擴充和完善，以及基于知識圖譜的各類實際應用有著深刻的促進意義。
　　本文通過對國內外關系推理領域的相關工作進行全面調研，并在此基礎上提出了一種新的基于圖的關系推理算法(GBRI)，該算法主要包括兩個部分：全局關系推理模塊和局部關系推理模塊。兩個模塊分別利用不同關系類型間的連通結構以及單一關系內的結構特征進行推理預測，并將兩者進行融合獲得最終的關系推理結果。本文的主要貢獻如下：
　　

3、(1)提出了一種新的關系預處理方法，該方法將知識圖譜中的同義關系進行合并，降低了關系特征空間的維度，使得模型學習過程中的訓練數據更為充足，緩解了數據的稀疏性問題。
　　(2)提出了全局關系推理算法，該算法首次將知識圖譜以一張無向圖進行建模，構造“實體-關系”圖，并針對知識圖譜中包含的每一種關系，在“實體-關系”
　　圖中尋找其特征路徑，用于構造特征向量，最后，利用Logistic回歸訓練得到每類關系的預測模型。實驗表明，無向

4、圖的建模方式能夠有效增加所能獲取到的特征路徑數量，提高算法的預測準確率。
　　(3)提出了局部關系推理算法，該算法首次考慮了不同關系類型的內部特征，在“實體-關系”圖中提取每種關系的關系子圖，并計算子圖中不同實體間的轉移概率，進而得到局部關系推理模型的預測結果。實驗表明，該算法能夠有效提高多對多關系數據上的預測性能。
　　(4)本文對全局關系推理算法和局部關系推理算法的預測結果進行融合，得到了最終的GBRI。并在三個開源數據