| 中文题名： | 基于图神经网络的知识图谱表示学习 |
| 姓名： | |
| 保密级别： | 公开 |
| 论文语种： | 中文 |
| 学科代码： | 080901 |
| 学科专业： | |
| 学生类型： | 学士 |
| 学位： | 理学学士 |
| 学位年度： | 2022 |
| 学校： | 北京师范大学 |
| 校区： | |
| 学院： | |
| 第一导师姓名： | |
| 第一导师单位： | |
| 提交日期： | 2022-05-27 |
| 答辩日期： | 2022-05-11 |
| 外文题名： | Knowledge Graph Representation Learning Based on Graph Neural Network |
| 中文关键词： | |
| 外文关键词： | Graph Neural Network ; Knowledge Graph ; Entity Alignment ; Graph Representation Learning ; Attention Mechanism |
| 中文摘要： |
图神经网络是图表示学习领域中一个重要的研究方向，图神经网络能够处理非欧几里得空间的图数据，已经被广泛运用于实体对齐、链接预测等与知识图谱相关的任务中。其中，实体对齐任务旨在判断不同知识图谱中的实体是否对应现实世界中的相同对象，在知识图谱的融合、大规模知识库的构建中具有重要的作用。本文在已有相关研究的基础上，提出了一种基于图神经网络的知识图谱表示学习模型，并将其应用于实体对齐任务中。在表示学习模型中，本文提出了一种有效的基于注意力机制的图神经网络消息传递方法。在实体对齐任务中，本文基于已有研究，改进了常用的三元组损失，使用了一种数值稳定性更好的损失函数。多个数据集上的实验结果表明，本文所提出的表示学习模型在实体对齐任务中取得了同类方法中最好的结果。
﹀
|
| 外文摘要： |
Graph Neural Network (GNN) is a significant research task in the field of graph representation learning. GNN is capable of processing graph data in non-Euclidean spaces and has been widely used in Entity Alignment, Link Prediction, and other tasks related to Knowledge Graphs. Among them, Entity Alignment aims to figure out whether entities in different Knowledge Graphs correspond to the same objects in the real world. This task plays a key role in the fusion of Knowledge Graphs, and the construction of large-scale knowledge bases. In this paper, based on the existing related researches, a GNN-based representation learning model for Knowledge Graphs is proposed and applied to the Entity Alignment task. In the representation learning model, an effectiveattention-mechanism-based GNN message passing method is proposed. In the entity alignment task, a loss function with better numerical stability is proposed by improving the commonly used Triple-Loss-based on the existing researches. Experiments conducted on multiple datasets show that the proposed model achieves the best results compared to other approaches of the same kind in the Entity Alignment task.
﹀
|
| 参考文献总数： | 26 |
| 插图总数： | 4 |
| 插表总数： | 6 |
| 馆藏号： | 本080901/22013 |
| 开放日期： | 2023-05-27 |
谷歌
