Resumen

En el pasado, la mayoría de los métodos de predicción de entidades basados en la incrustación carecían de la formación de las relaciones centrales locales, lo que daba lugar a una deficiencia en la formación de extremo a extremo. Con el objetivo de solucionar este problema, proponemos un método de representación del grafo de conocimiento de extremo a extremo. En este trabajo se utiliza la convolución de grafos locales y el aprendizaje cruzado global, que se denomina red convolucional de grafos TransC (TransC-GCN). En primer lugar, se dividen múltiples espacios semánticos locales según el vecino más grande. En segundo lugar, se utiliza un modelo de traducción para mapear las entidades y relaciones locales en un vector cruzado, que sirve como entrada de la GCN. En tercer lugar, mediante el entrenamiento y el aprendizaje de las relaciones semánticas locales, se encuentran las mejores entidades y las relaciones más fuertes. La clasificación óptima de la combinación de entidades y relaciones se obtiene evaluando la función de pérdida posterior basada en la entropía de información mutua. Los experimentos muestran que este trabajo puede obtener la información de las características locales de las entidades con mayor precisión mediante la operación de convolución de la red neuronal convolucional ligera. Además, la operación de agrupación máxima ayuda a captar la señal fuerte de la característica local, evitando así la característica globalmente redundante. En comparación con el modelo básico de predicción de tríadas convencional, el algoritmo propuesto puede reducir eficazmente la complejidad computacional al tiempo que consigue una gran solidez. También aumenta la precisión de la inferencia de entidades y relaciones en un 8,1 y 4,4%, respectivamente. En resumen, este nuevo método no sólo puede extraer eficazmente los nodos locales y las características de las relaciones del grafo de conocimiento, sino que también satisface los requisitos de penetración multicapa y derivación de relaciones de un grafo de conocimiento.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:grafo de conocimiento, entrada de gcn, espacio semántico local, modelo de línea de base de predicción, red neuronal convolucional, ranking de combinación de relaciones, convolución de grafo local, relaciones semánticas locales, aprendizaje cruzado global, relaciones de entidad óptimas
• Keywords:knowledge graph, input of gcn, local semantic space, prediction baseline model, convolutional neural network, relations combination ranking, local graph convolution, local semantic relations, global cross learning, optimal entity relations