-
公开(公告)号：CN117725230A
公开(公告)日：2024-03-19
申请号：CN202410066038.2
申请日：2024-01-17
Applicant: 扬州大学
IPC: G06F16/36 , G06F18/25 , G06N3/0499 , G06N3/0464 , G06N3/042 , G06N3/08
Abstract: 本发明公开了一种基于图像生成算法和多模态大模型的实体对齐方法及系统，所述方法包括：对预先获取的两个多模态知识图谱数据使用多模态预训练模型CLIP进行数据的预处理；对图谱数据进行特征抽取得到不同模态的嵌入输出，考虑模态异质性；使用扩散模型生成伪视觉模态，补全多模态知识图谱中实体的视觉模态缺失，与其他模态提取后的嵌入联合，共同形成综合的实体嵌入；为不同模态嵌入分配权重，获得增强的模态数据，对分配完不同权重的模态信息进行拼接融合；采用特定的对比损失函数进行训练，最小化损失函数得到最后的实体对齐结果。本发明能有效提升知识图谱融合时实体对齐的效率和准确率，提高数据的利用价值和应用效果。
-
公开(公告)号：CN113361279B
公开(公告)日：2023-07-25
申请号：CN202110709149.7
申请日：2021-06-25
Applicant: 扬州大学
IPC: G06F40/295 , G06F40/30 , G06N3/048 , G06N3/084 , G06N3/0985 , G06F16/335 , G06F16/35 , G06F16/36 , G16H50/70
Abstract: 本发明公开了一种基于双邻域图神经网络的医疗实体对齐方法及系统，属于自然语言处理中的知识图谱融合领域。本发明首先抽取医疗实体对及相应的关系和属性，预处理后构建实体对齐数据集；然后通过双邻域特征聚合生成实体邻域和属性邻域的节点特征，并通过串联操作和跳跃连接生成全局感知的实体表示；最后进行实体相似度计算与训练，并用训练完的模型预测源实体的目标实体。本发明提出的方法将医疗知识图谱中的相关属性视为一类特殊的节点，从而将实体和属性建模在统一的网络中，并使用双邻域图神经网络对图中的节点进行嵌入，这样可以同时捕获实体邻域和属性邻域中的结构相似性，最终生成语义丰富的实体表示，达到提高医疗实体对齐准确性的目的。
-
公开(公告)号：CN113361279A
公开(公告)日：2021-09-07
申请号：CN202110709149.7
申请日：2021-06-25
Applicant: 扬州大学
IPC: G06F40/295 , G06F40/30 , G06N3/04 , G06N3/08 , G06F16/335 , G06F16/35 , G06F16/36 , G16H50/70
Abstract: 本发明公开了一种基于双邻域图神经网络的医疗实体对齐方法及系统，属于自然语言处理中的知识图谱融合领域。本发明首先抽取医疗实体对及相应的关系和属性，预处理后构建实体对齐数据集；然后通过双邻域特征聚合生成实体邻域和属性邻域的节点特征，并通过串联操作和跳跃连接生成全局感知的实体表示；最后进行实体相似度计算与训练，并用训练完的模型预测源实体的目标实体。本发明提出的方法将医疗知识图谱中的相关属性视为一类特殊的节点，从而将实体和属性建模在统一的网络中，并使用双邻域图神经网络对图中的节点进行嵌入，这样可以同时捕获实体邻域和属性邻域中的结构相似性，最终生成语义丰富的实体表示，达到提高医疗实体对齐准确性的目的。
-
公开(公告)号：CN119250065A
公开(公告)日：2025-01-03
申请号：CN202411348482.X
申请日：2024-09-26
Applicant: 扬州大学
IPC: G06F40/279 , G06F40/216 , G06F40/30 , G06N3/042 , G06N3/0895
Abstract: 本发明公开了一种基于解缠结图神经网络的实体对齐方法及系统，所述方法包括：构建关系反射邻域路由机制，将实体的邻域划分成多个语义不同的部分，并为实体不同方面学习相应的表示；对微解缠结阶段输出的表示施加互信息正则化约束，以减少实体不同方面的表示之间的相关性；引入对齐感知自注意力，自适应地为实体的不同方面分配合适的权重，并将多个方面表示的相似度加权求和以得到最终的实体相似度；训练多个具有不同方面值的种子生成器，迭代地选择具有特定稀疏度的实体对种子，并将其加入到最初的训练数据中。本发明从微观和宏观两个层面学习解缠结的实体表示，缓解了不同知识图谱中等价实体的邻域异质性问题，提高了实体对齐的准确性与鲁棒性。
-
-
-
Search Results
4
records
(took 0.017 seconds)
