科研之友
微信
新浪微博
Facebook
分享链接
摘要
以元学习为核心思想，结合卷积神经网络和Transformer编码器构建一个三阶段表示学习模型.为表达参考集中实体与任务关系之间的相互作用，使用卷积神经网络获取关系元，应用Transformer编码器增强查询集中的实体表示，并设计了用于计算不完全三元组匹配度得分的处理器，以解决小样本知识图谱补全问题，即大规模知识图谱较稀疏，而其中出现频率较低的长尾关系对应的实体对数量较多的现象.在数据集NELL-One和Wiki-One上的实验结果表明，该模型对大规模知识图谱中长尾关系对应的头尾实体的预测效果较好，可实现知识图谱中实体和关系的高效特征表示生成和缺失实体补全.
- 单位
