-
公开(公告)号：CN117312573A
公开(公告)日：2023-12-29
申请号：CN202311266115.0
申请日：2023-09-28
Applicant: 福州大学
IPC: G06F16/36 , G06N3/0464 , G06N3/08
Abstract: 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。
-
公开(公告)号：CN111191460B
公开(公告)日：2023-01-03
申请号：CN201911390283.4
申请日：2019-12-30
Applicant: 福州大学
Abstract: 本发明涉及一种结合逻辑规则和碎片化知识的关系预测方法。首先对事实三元组和逻辑规则进行统一的建模，将隐藏的语义信息嵌入到基于知识表示的关系推理模型中；其次，结合碎片化知识，不断迭代更新，使得知识库变得越加完备。本发明对事实三元组和逻辑规则进行统一的建模，将隐藏的语义信息嵌入到基于知识表示的关系推理模型中，实现更精准地预测。
-
公开(公告)号：CN113553437A
公开(公告)日：2021-10-26
申请号：CN202110337763.5
申请日：2021-03-30
Applicant: 福州大学
Abstract: 本发明涉及种基于多尺度空洞卷积的时间知识图谱补全方法，包括以下步骤：步骤S1:对待处理四元组数据进行处理后，使用LSTM建模时间序列和关系之间的特征表示；步骤S2:根据得到的特征表示，基于多尺度空洞卷积神经网络，获取多尺度特征映射；步骤S3:引入注意力机制帮助模型自适应地调整多尺度特征映射的权重，并得到加权后的特征映射；步骤S4:将得到的特征映射经过拉平操作变成向量，然后经过一个全连接层，将拉平后的向量映射到指定维度，最后与尾实体嵌入进行点积得到四元组的得分。本发明解决了传统卷积神经网络模型实体与关系间交互性差、参数量和计算量大的问题。
-
公开(公告)号：CN112836065A
公开(公告)日：2021-05-25
申请号：CN202110219529.2
申请日：2021-02-26
Applicant: 福州大学
Abstract: 本发明提供了一种基于组合自注意的图卷积知识表示学习模型CompSAGCN的预测方法，包括以下步骤：对于每一个实体e，使用图卷积神经网络构成的编码器来学习实体e的邻居信息，得到实体的增强表示ve，再使用自注意力卷积神经网络构成的解码器提取ve和关系向量vr的特征；然后将实体和关系的特征向量进行拼接，通过全连接层进行特征的压缩，将压缩后的特征表示与所有的实体向量相乘，最后使用sigmoid激活得到每个三元组的得分。本发明使用自注意力卷积能够获取到三元组结构本身的内部有效信息。
-
公开(公告)号：CN112348190A
公开(公告)日：2021-02-09
申请号：CN202011159784.4
申请日：2020-10-26
Applicant: 福州大学
IPC: G06N5/02
Abstract: 本发明涉及一种基于改进的嵌入模型 SUKE的不确定知识图预测方法。基于已有的确定性嵌入模型DistMult提出SUKE 模型。SUKE保留了知识的结构信息和不确定性信息，其内部包括评估器和置信度生成器两个组件，前者依据事实的结构特征和不确定特征评估事实的合理性，筛选出不合理的事实，从而获得候选事实。后者为候选事实生成置信度，表示实体发生特定关系的概率。评估器为每个三元组定义结构得分和不确定得分，用于事实合理性评估任务。此外,评估器引入了未知事实参与训练。置信度生成器为每个三元组生成置信度，用于置信度预测任务。本发明能够有效的完成不确定知识图的链路预测任务。
-
Patent Agency Ranking
公开(公告)号：CN112231469A
公开(公告)日：2021-01-15
申请号：CN202011114740.X
申请日：2020-10-16
Applicant: 福州大学
Abstract: 本发明涉及一种3DRTE时间知识图谱的三维旋转嵌入方法，定义时间知识图谱TKG，给定实体集合E，关系集合R，时间戳集合T，一个TKG表示为时间事实四元组的集合，令已知的时间事实集合为G，则TKGC的目的就是在现有知识G的基础上推导出W；建立3DRTE模型，包括利用自注意力机制处理时间戳的各个片段带来的信息和利用四元数的旋转特性，将实体在融合了时间的关系的作用下，旋转建模在了三维空间中，从而获得了蕴含时间和关系的实体表示即完成模型建立；将得到的模型使用损失函数进行训练，并进行数据验证，最终实现补全时间知识图的目的。本发明通过自注意力机制处理关系和时间戳的联合序列，自适应地学习关系和时间的联合特征表示，从而更有助于补全的性能。
-
公开(公告)号：CN111259085A
公开(公告)日：2020-06-09
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：CN106874425B
公开(公告)日：2020-02-07
申请号：CN201710057432.X
申请日：2017-01-23
Applicant: 福州大学
IPC: G06F16/2458
Abstract: 本发明涉及一种基于Storm的实时关键词近似搜索算法，综合使用Redis内存数据库中的Hash、Set和Sorted Set三种数据结构来分门别类地存储RDF数据；结合Storm流式处理框架实现了RDF数据的实时流入和实时近似搜索；同时利用存储在Redis内存数据库集群中的历史数据来加快关键词近似搜索的效率。本发明支持对实例、文本、类和属性的搜索，并且实现对流式数据的实时近似搜索，具有明显的优势。
-
公开(公告)号：CN107016110B
公开(公告)日：2019-12-17
申请号：CN201710246308.8
申请日：2017-04-15
Applicant: 福州大学
IPC: G06F16/2455 , G06F17/27
Abstract: 本发明提供一种结合Spark平台的OWLHorst规则分布式并行推理算法：根据Spark RDD的特点，结合TREAT算法的原理，首先对RDF本体数据进行构建模式三元组对应的alpha寄存器Om_RDD或Pt_RDD并广播以及规则标记模型；对每条规则的模式前件进行连接并生成对应的连接模式三元组集合Rulem_linkvar_RDD，从而加快推理过程中的匹配速度；在OWL Horst推理阶段，结合MapReduce实现TREAT算法中的alpha阶段，实现多条规则的分布式并行推理，然后对推理结果进行去重处理；通过alpha寄存器和规则标记模型能够过滤大量实例三元组，减少Map阶段键值对的输出，从而减少了无效的网络传输。
-
公开(公告)号：CN105912721B
公开(公告)日：2019-06-07
申请号：CN201610293055.5
申请日：2016-05-05
Applicant: 福州大学
IPC: G06F16/2455 , G06F17/27
Abstract: 本发明涉及一种RDF数据分布式语义并行推理方法，首先依据本体文件和RDFS/OWL规则，构建传递闭包关系矩阵（Transitive closure relation matrix，简称TRM）和连接变量信息，进而生成规则标记；然后根据连接变量的类型对RDFS/OWL规则进行分类，分别设计不同的推理方案，结合MapReduce计算框架并行地完成RDFS/OWL规则的推理。通过连接变量信息和规则标记对实例三元组进行过滤，能够减少大量无用的三元组数据在分布式系统中的传输损耗。通过构造传递闭包矩阵能够减少推理的迭代次数，提高推理的效率。最后，根据推理结果，实时地删除重复的三元组数据，以进一步提高后续迭代推理的效率。通过本发明在数据量增大的情况下能够高效且正确的实现RDFS/OWL规则的推理。
-
-
-
-
-
-
-
-
-
Search Results
87
records
(took 0.039 seconds)
