-
公开(公告)号：CN117171363A
公开(公告)日：2023-12-05
申请号：CN202311262017.X
申请日：2023-09-27
Applicant: 福州大学
IPC: G06F16/36 , G06F18/214 , G06N3/0464
Abstract: 本发明提出基于图上下文的内卷积神经网络知识图谱补全方法，基于图上下文的内卷积神经网络知识图谱补全模型（InvoE），InvoE通过图上下文信息聚合模块，学习实体节点融合了上下文信息的增强表示。接着使用实体‑关系交互模块，将增强后的实体表示和关系表示拼接并用多种方法重塑成二维矩阵。然后，设计了卷积和内卷积模块，对输入图提取特征。最后，使用三元组评分模块计算侯选实体的最终得分；本发明充分利用了实体的上下文信息，模型能够挖掘知识图谱中深层次的联系，此外，有效地使用上下文信息增强实体嵌入也使得模型能够实现更精准的预测。
-
公开(公告)号：CN113836319B
公开(公告)日：2023-08-01
申请号：CN202111158954.1
申请日：2021-09-30
Applicant: 福州大学
Abstract: 本发明涉及一种融合实体邻居的知识补全方法及系统，该方法构建基于Triplet注意力的循环卷积神经网络模型CCTA，其按如下方法进行知识补全：首先，从文本描述和拓扑邻居中收集得到实体邻居并对其进行编码，结合实体名称信息进一步增强语义，生成实体的融合表示；然后，将得到的融合表示和关系表示进行特征重排和特征重塑；而后，使用Triplet注意力捕获跨维度交互来计算注意力，再通过循环卷积操作提取实体和关系的交互特征，得到特征图；最后，将特征映射拉平，再通过一个全连接层映射到实体嵌入维度，与尾实体矩阵进行点积归一化后得到三元组的评分。该方法及系统有利于提升知识补全的性能。
-
公开(公告)号：CN112541589B
公开(公告)日：2022-10-14
申请号：CN202011520861.4
申请日：2020-12-21
Applicant: 福州大学
Abstract: 本发明涉及一种基于AHE对齐超平面的文本知识嵌入方法，包括以下步骤：步骤S1:对数据集进行预训练词向量，获得文本描述的精确表示；步骤S2:采用AHE对齐超平面策略，将文本向量与内部向量对齐为统一的隐含层维度，并分别对头尾实体进行文本超平面投影，获得交互增强的表示向量,并将其应用至知识库基础模型中。解决了传统文本联合学习模型对文本描述引入的不精确性和不灵活性，进一步有效提高知识图谱补全效果。
-
公开(公告)号：CN111259085B
公开(公告)日：2022-08-16
申请号：CN201911389835.X
申请日：2019-12-30
Applicant: 福州大学
Abstract: 本发明涉及一种基于关系超平面的时间感知翻译模型的关系预测方法。该方法在实体嵌入的过程中运用关系映射的方法，兼顾实体、关系随时间演化的特点，实现了实体在不同的关系和时间下的特定角色表示、关系在不同的时间下的特定意义表示。本发明一方面解决了同一关系下由于时间冲突导致的预测错误问题，另一方面解决了复杂关系导致预测效率低下的问题。
-
公开(公告)号：CN109657798B
公开(公告)日：2022-08-16
申请号：CN201811589472.X
申请日：2018-12-25
Applicant: 福州大学
Abstract: 本发明提出结合变量存储器和多变量连接器的流式推理方法，所述流式推理方法基于是基于OWL Horst的规则集对RDF流式数据进行处理；所述流式推理方法是在知识图谱的背景下，先提出了变量存储器旨在加速查找特定RDF流式数据中查询速度的同时，避免以规则为单位的形式进行冗余存储和数据传输开销。接着提出多变量连接器的存储方法，用于预判规则是否激活；最后结合该存储设计方案，设计流式推理算法EMSR，有效地实现针对流式RDF数据的高效推理；本发明通过增设变量存储器和多变量连接器，使得同一类型的三元组可用于多条规则，避免了以规则为单位的形式进行冗余存储，减少了数据网络传输。
-
Patent Agency Ranking
公开(公告)号：CN109710774B
公开(公告)日：2022-06-21
申请号：CN201811568696.2
申请日：2018-12-21
Applicant: 福州大学
IPC: G06F16/36 , G06F16/901 , H04L67/1097
Abstract: 本发明涉及一种结合平衡策略的图数据划分与分布式存储算法。以标签图作为初始划分图，将标签图转化为节点与边都带权值的无向图，进行边融合时使用HEM算法将大权的边优先进行融合，可以将关系密切的节点划分到同一分区；在初始划分阶段，使用趋近公式将图的顶点总权值尽可能的平均分割给k个集群；同时本发明充分考虑到知识碎片在分布式环境下的存储问题，提出平衡策略对知识碎片进行存储。
-
公开(公告)号：CN109710621B
公开(公告)日：2022-06-21
申请号：CN201910039058.X
申请日：2019-01-16
Applicant: 福州大学
IPC: G06F16/22 , G06F16/242 , G06F16/28
Abstract: 本发明涉及一种结合语义类节点与边权重的关键词搜索KSANEW算法。包括：数据存储阶段，该阶段随着知识碎片的到来，动态地更新知识库中语义类、实体和属性等数据；关键词查询阶段，该阶段考虑到知识图谱的模式层相较于数据层数据量小，提出查询种子模型，该模型将查询关键词映射到模式层上，接着通过两类扩展方式，分别是基于节点的大权值方向扩展方式和基于边的大权值方向扩展方式生成候选种子模型，然后通过评分函数对候选种子集合进行评分排序，最后以高评分的候选种子作为查询种子，将查询种子作为指引，在数据层上进行分布式搜索，得到查询结果。
-
公开(公告)号：CN112818136A
公开(公告)日：2021-05-18
申请号：CN202110220136.3
申请日：2021-02-26
Applicant: 福州大学
Abstract: 本发明提供了一种基于时间卷积的交互知识表示学习模型TCIM的预测方法，通过卷积神经网络捕获时间的特征信息，通过圆形卷积神经网络去提取三元组的特征信息，将三元组的特征和时间的特征融合并进行链路预测。本发明通过卷积神经网络去捕获时间的特征信息，从而可以对动态知识图谱进行补全。
-
公开(公告)号：CN106980901B
公开(公告)日：2019-09-13
申请号：CN201710246309.2
申请日：2017-04-15
Applicant: 福州大学
IPC: G06N5/04
Abstract: 本发明提供流式RDF数据并行推理算法：构建规则的伪双向网络，若规则节点中存在类的连接变量则建立中间节点；定时获取Streaming数据流中的批量新数据以及前次推理产生的数据作为输入数据，对输入的数据进行归类或新建对应节点并存储到相应的Redis集群；对于输入的三元组数据结合伪双向网络判断对应的中间节点或者规则节点所监听的前件是否全部满足，进而对该规则进行推理，产生推理数据；通过实时地删除重复推理数据并本次推理产生的所有数据保存到Redis集群中作为下次推理的输入数据，从而完整高效地实现RDF数据OWL Horst规则的并行流式推理。
-
公开(公告)号：CN106874426A
公开(公告)日：2017-06-20
申请号：CN201710057433.4
申请日：2017-01-23
Applicant: 福州大学
IPC: G06F17/30
Abstract: 本发明涉及一种基于Storm的RDF流式数据关键词实时搜索方法，其特征在于：包括Storm实时处理、Redis分布式存储和Storm实时查询；Storm实时处理的具体内容为：Storm的Spout组件接收并处理RDF本体和实例数据文件流，将处理后的RDF本体和实例数据文件流分布式存储至Redis哈希表中；所述Storm实时查询的具体内容为：客户端发送实时查询请求，服务端接收客户端的查询请求后，先检查查询缓存中是否已存在该查询请求的查询结果，若存在，则复用缓存历史查询结果，执行增量更新查询算法，返回查询结果；若不存在，则服务端对查询请求进行实时计算，并返回查询结果。本发明支持对连续RDF数据流的进行实时查询，满足用户对RDF数据流实时查询的应用需求。
-
-
-
-
-
-
-
-
-
Search Results
87
records
(took 0.037 seconds)
