2020年4月
April , 2020
第35卷第4期
Vol. 35 No. 4
北部湾大学学报
bad day歌词
JOURNAL OF BEIBU GULF UNIVERSITY
DOI ： 10.19703/j. bbgu. 2096-7276. 2020. 04.0040
oy基于主题模型和词嵌入的 知帜袅示学习的研老
肖宝V，韩开旭▽
小学英语词汇教学(1.北部湾大学电子与信息工程学院，广西 钦州535011；2.钦州市物联网先进技术重点实验室，广西钦州535011)
［摘要］基于主题模型和词嵌入的知识表示模型，引入LDA 主题模型，将词嵌入向量和主题向量结合
整站翻译
作为模型的输入；引入双向LSTM 以及Attention 机制捕捉影响知识表示学习的最为有效的信息，使得模型具有 更强、更精确的知识表示能力，最后在数据集FB15K 和WN18上进行算法的测试和评估。结果表明：该模型在 链接预测和元组分类的任务上比没有利用主题信息的模型更加有效。
［关键词］主题模型；词嵌入；知识表示；知识图谱；注意力机制［中图分类号］TP391
［文献标识码］A ［文章编号］2096 - 7276( 2020) 04 - 0040 - 08
0引言
知识图谱(如YAGO ［1］ ,DBpedia ⑵)因包含着
大量的真实世界知识成为了提高智能系统(如问 答系统⑶、Web 搜索引擎⑷)性能的关键资源。 但是知识图谱是由大量的实体和关系构成的具有 大规模特征的拓扑图，为了能充分挖掘网络中蕴
含的知识，许多学者根据图的结构特点以及实际 要解决的问题设计了特定算法。这些算法通常存 在两个缺点⑸：一是计算复杂度高，难以满足实
sniffer时计算需求；二是只能应用在特定的领域上，且在 稀疏数据上难以进行有效的推理和运用。随后， 知识表示学习同被提出来，它把知识图谱中实体 和关系映射到一个低维向量空间中，许多蕴含的
知识都能用实体和关系的向量表示进行简单计算 和推理获取。知识表示学习已被证明是一种能克
服为特定领域而设计的特殊算法存在缺点的有效 方法⑺。传统的知识表示学习研究因只利用知pap
识图谱中的结构信息血切，导致知识表示模型的 表示能力受到一定的限制。
洋泾中学>countrymusic
知识库内外的信息(如文本、图片等)被融合
到知识表示模型中以提高模型的效率。如Free- ba 的实体关系简短描述信息⑴］、与实体对应的 Wikipedia 的锚点链接信息凹等。其中文本信息
与知识图谱结构信息相融合的表示学习模型的研 究成果最为显著，目前已成为研究热点。融入文
hashmap本信息到知识表示模型的最有代表性工作是 DKRL ( Description-Embodied Knowledge Repren tation Learning)［⑶和 RLKB ( Reprentation Learn-
ing of Knowledge Ba) ［14］，前者利用深度学习方
［收稿日期］2019 - 07 - 30
［基金项目］广西高校中青年教师基础能力提升项目：基于多源信息融合的知识表示联合模型的研究
(2019KY0463)；钦州市科学研究与技术开发计划项目：钦州垢兴陶行业大数据系统的研发和示范应用
(20189903)o
四六级成绩查询入口2021上半年［作者简介］肖宝(1981-)，男，广西北流人，北部湾大学副教授，硕士，研究方向：深度学习、知识图谱,E-mail ：
qzxyxb@ 163. com o
［引用格式］肖宝，韩开旭.基于主题模型和词嵌入的知识表示学习的研究［J ］.北部湾大学学报,2020,35(4) ：40-47,
