文献类型：期刊文章

作　　者：王利琴[1,2,3] 耿智雷[1] 李英双[4] 董永峰[1,2,3] 边萌[5]

WANG Liqin;GENG Zhilei;LI Yingshuang;DONG Yongfeng;BIAN Meng(School of Artificial Intelligence,Hebei University of Technology,Tianjin 300401,China;Hebei Province Key Laboratory of Big Data Calculation(Hebei University of Technology),Tianjin 300401,China;Hebei Engineering Research Center of Data-Driven Industrial Intelligence(Hebei University of Technology),Tianjin 300401,China;Information Security and Technology Service Center,Hebei University of Technology,Tianjin 300401,China;Tianjin Nankai District Teacher Development Center,Tianjin 300401,China)

机构地区：[1]河北工业大学人工智能与数据科学学院,天津300401 [2]河北省大数据计算重点实验室(河北工业大学),天津300401 [3]河北省数据驱动工业智能工程研究中心(河北工业大学),天津300401 [4]河北工业大学信息安全与技术服务中心,天津300401 [5]天津市南开区教师发展中心,天津300110

出　　处：《计算机应用》

基　　金：河北省高等学校科学技术研究项目(ZD2022082);河北省高等教育教学改革研究与实践项目(2022GJJG049)。

年　　份：2025

卷　　号：45

期　　号：4

起止页码：1177-1183

语　　种：中文

收录情况：BDHX、BDHX2023、核心刊

摘　　要：传统的基于表示学习的知识推理方法只能用于封闭世界的知识推理,有效进行开放世界的知识推理是目前的热点问题。因此,提出一种基于路径和增强三元组文本的开放世界知识推理模型PEOR(Path and Enhanced triplet text for Open world knowledge Reasoning)。首先,使用由实体对间结构生成的多条路径和单个实体周围结构生成的增强三元组,其中路径文本通过拼接路径中的三元组文本得到,而增强三元组文本通过拼接头实体邻域文本、关系文本和尾实体邻域文本得到;其次,使用BERT(Bidirectional Encoder Representations from Transformers)分别编码路径文本和增强三元组文本;最后,使用路径向量和三元组向量计算语义匹配注意力,再使用语义匹配注意力聚合多条路径的语义信息。在3个开放世界知识图谱数据集WN18RR、FB15k-237和NELL-995上的对比实验结果表明,与次优模型BERTRL(BERT-based Relational Learning)相比,所提模型的命中率(Hits@10)指标分别提升了2.6、2.3和8.5个百分点,验证了所提模型的有效性。

关 键 词：知识图谱 文本信息 预训练语言模型  开放世界知识推理  注意力机制  

分 类 号：TP391.1]