基于圖的關(guān)系推理算法研究與實現(xiàn).pdf

1、伴隨著信息技術(shù)及互聯(lián)網(wǎng)的快速發(fā)展，傳統(tǒng)基于文本的的信息檢索方法已經(jīng)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(chǎn)生和發(fā)展起來的，知識圖譜對非結(jié)構(gòu)的文本信息進行處理，抽取獲得包含其中的結(jié)構(gòu)化知識，最終構(gòu)建成為一張巨大的知識網(wǎng)絡(luò)，相關(guān)的應(yīng)用基于這一網(wǎng)絡(luò)為用戶提供更加快速和準確的服務(wù)。關(guān)系推理技術(shù)是組成整個知識圖譜系統(tǒng)的核心模塊之一，其主要任務(wù)是：在不添加額外知識的情況下，使用知識圖譜中已經(jīng)存在的知識，通

2、過加工推理獲得新的知識。該技術(shù)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(yīng)用有著深刻的促進意義。
　　本文通過對國內(nèi)外關(guān)系推理領(lǐng)域的相關(guān)工作進行全面調(diào)研，并在此基礎(chǔ)上提出了一種新的基于圖的關(guān)系推理算法(GBRI)，該算法主要包括兩個部分：全局關(guān)系推理模塊和局部關(guān)系推理模塊。兩個模塊分別利用不同關(guān)系類型間的連通結(jié)構(gòu)以及單一關(guān)系內(nèi)的結(jié)構(gòu)特征進行推理預(yù)測，并將兩者進行融合獲得最終的關(guān)系推理結(jié)果。本文的主要貢獻如下：
　　

3、(1)提出了一種新的關(guān)系預(yù)處理方法，該方法將知識圖譜中的同義關(guān)系進行合并，降低了關(guān)系特征空間的維度，使得模型學(xué)習(xí)過程中的訓(xùn)練數(shù)據(jù)更為充足，緩解了數(shù)據(jù)的稀疏性問題。
　　(2)提出了全局關(guān)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(gòu)造“實體-關(guān)系”圖，并針對知識圖譜中包含的每一種關(guān)系，在“實體-關(guān)系”
　　圖中尋找其特征路徑，用于構(gòu)造特征向量，最后，利用Logistic回歸訓(xùn)練得到每類關(guān)系的預(yù)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(shù)量，提高算法的預(yù)測準確率。
　　(3)提出了局部關(guān)系推理算法，該算法首次考慮了不同關(guān)系類型的內(nèi)部特征，在“實體-關(guān)系”圖中提取每種關(guān)系的關(guān)系子圖，并計算子圖中不同實體間的轉(zhuǎn)移概率，進而得到局部關(guān)系推理模型的預(yù)測結(jié)果。實驗表明，該算法能夠有效提高多對多關(guān)系數(shù)據(jù)上的預(yù)測性能。
　　(4)本文對全局關(guān)系推理算法和局部關(guān)系推理算法的預(yù)測結(jié)果進行融合，得到了最終的GBRI。并在三個開源數(shù)據(jù)