申请/专利权人:福州大学
申请日:2023-09-28
公开(公告)日:2023-12-29
公开(公告)号:CN117312573A
主分类号:G06F16/36
分类号:G06F16/36;G06N3/0464;G06N3/08
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.01.16#实质审查的生效;2023.12.29#公开
摘要:本发明提出基于多尺度时间卷积神经网络的时态知识图谱补全模型,所述时态知识图谱补全在内推设置下进行;所述时态知识图谱补全模型MSTC工作时,首先增强实体和关系之间的交互作用,得到融合后的特征表示,并且输入到多个尺度的时间卷积层中进行卷积操作,每个尺度依次经过“年”、“月”、“日”卷积层的卷积,再经过拉平、全连接操作后得到该尺度的输出特征,最后将多个尺度的输出特征进行融合,得到融合了实体、关系和时间信息的增强嵌入表示,并输出到得分模块计算得分;本发明能在卷积神经网络中融合时间信息、提取不同尺度的多语义信息、减少卷积层的参数量,改善时态知识图谱补全TKGC性能。
主权项:1.基于多尺度时间卷积神经网络的时态知识图谱补全模型,其特征在于:所述时态知识图谱是将实体、概念和它们之间的关系以图方式呈现出来的,用于表示知识和组织的图结构,以公式表述为G={G1,G2,…,Gt},其中Gt表示时间戳t下的快照;所述时态知识图谱补全在内推设置下进行,任务定义为:基于时间戳t之前和之后的事实{G1,…,Gt-1,Gt+1}…},预测宾语查询s,r,?,t或主语查询?,r,o,t的答案;所述时态知识图谱补全模型MSTC工作时,首先增强实体和关系之间的交互作用,得到融合后的特征表示,并且输入到多个尺度的时间卷积层中进行卷积操作,每个尺度依次经过“年”、“月”、“日”卷积层的卷积,再经过拉平、全连接操作后得到该尺度的输出特征,最后将多个尺度的输出特征进行融合,得到融合了实体、关系和时间信息的增强嵌入表示,并输出到得分模块计算得分。
全文数据:
权利要求:
百度查询: 福州大学 基于多尺度时间卷积神经网络的时态知识图谱补全模型
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。