摘要
实体类型是知识图谱的重要组成部分，在知识图谱的应用中起到了重要的作用，但知识图谱中普遍存在实体类型缺失与不完全等质量问题。为了解决这个问题，通常采用机器学习分类方法实现实体的类型预测，该类方法通过构造实体的特征生成数据集，训练以实体类型作为标签的分类器实现实体类型预测。
目前基于分类的实体类型预测方法存在着一些局限性：分类器常为简单的单标签分类器、实体特征构造方法通用性差、输入特征为单一维度特征、未考虑知识图谱中类型的层次结构。针对这些不足，本文设计了一个基于多标签分类的知识图谱实体类型预测方法，能抽取实体的文本特征和链接特征，合理地利用这些特征进行分类，并考虑实体类型的层次结构。
简爱好句本文设计的方法主要包含三个阶段：在数据处理阶段，依照知识图谱文本信息和链接信息的不同，将其分为文本丰富型知识图谱和链接丰富型知识图谱，对于不同类型知识图谱采用不同的方法构造实体特征；在模型训练阶段，针对不同类型知识图谱特点设计了3个多标签分类模型，分别为：多标签文本分类模型TTPE、基于多特征的多标签分类模型MFTPE和层次多标签分类模型HTPE；在模型预测阶段，通过训练好的模型预测缺失和不完全的实体类型，并生成知识图谱的类型知识，从而补全缺失的类型信息。
本文在单类型知识图谱SWCC、多类型知识图谱LinkedMDB、层次类型知识图谱AIFB 和DBpedia上对方法的有效性进行了验证。此外，基于上述方法，本文实现了一个基于多标签分类的知识图谱实体类型预
测系统。
关键词：实体类型预测，知识图谱补全，多标签分类，层次多标签分类
Abstract
Entity type is a significant component of knowledge graph. It plays a vital role in the application of knowledge graph. However, missing and incomplete of entity types becomes a common quality problem on knowledge graph. A general approach to solve this problem is called entity type prediction, which is bad on classification of machine learning. Classification-bad entity type prediction generates datat from knowledge graph by constructing features of entity, utilizes datat to train classifier, label of which is type of entity, and applies the classifier to predict entity type.
There are some limitations in classification-bad entity typing rearch: classifiers are simple single-label classifiers; it relies on certain knowledge graphs to extract entity information, which means it is poorly versatile; it is not able to utilize multiple dimensional features; it does not exploit the fact that ontology of knowledge graph defines a hierarchical entity type. Aiming at overcoming the shortcomings, this thesis designs a multi-label classification bad entity typing approach, whi
ch can extract text features and link features of knowledge graph, utilize the features to classify properly, u the hierarchy of entity type wily.
There are three phas to accomplish type prediction task in this thesis: data processing pha, model training pha, and model predicting pha. In the data processing pha, according to the difference of text and link of knowledge graph, it is divided into text-rich knowledge graph and link-rich knowledge graph. Various methods are ud to construct solid features for different kind of knowledge graph. In the model training pha, three multi-label classification models are ud: multi-label text classification model called TTPE, multi-feature bad multi-label classification model called MFTPE, and hierarchical multi-label classification model called HTPE. In the model predicting pha, it completes missing and incomplete entity type by utilizing the trained model and generating type asrtions.
This thesis experiments on three different types of real knowledge graph, which are single-type knowledge graph, multi-type knowledge graph and hierarchical type knowledge graph, and verify the scalability and versatility of the method. In addition, this thesis implements a multi-label classification bad entity typing system.
Key words：Entity Typing, Knowledge Graph Refinement, Multi-Label Classification, Hierarchical Multi-Label Classification
目录
摘要............................................................................................................................................................................ I I 目录......................................................................................................................................................................... III 图目录....................................................................................................................................................................... V 表目录..................................................................................................................................................................... VI 第一章绪论 . (1)
研究背景 (1)
研究现状 (3)
研究内容 (3)
论文结构 (4)
第二章相关工作和技术 (5)
知识图谱相关概念 (5)
实体类型预测 (5)
2.2.1 基于分类方法的实体类型预测 (6)
2.2.2 基于概率统计方法的实体类型预测 (7)
2.2.3 基于NLP方法的实体类型预测 (7)
2.2.4 基于逻辑推理的方法 (7)
2.2.5 实体类型预测相关研究小结 (8)
多标签学习 (8)
2.3.1 基于问题转换的多标签学习 (9)
2.3.2 基于算法适应的多标签学习 (9)
2.3.3 多标签学习相关研究小结 (10)
层次多标签学习 (10)
2.4.1 HMC-LMLP算法 (12)
2.4.2 HMCN-F/R算法 (13)
2.4.3 层次多标签学习相关研究小结 (14)
第三章实体类型预测方法 (17)ps保存
整体流程 (17)
数据处理阶段 (20)
3.2.1 知识图谱解析 (20)
3.2.2 实体描述和图谱描述 (20)
3.2.3 数据集生成 (21)
模型训练阶段 (26)
3.3.1 TTPE模型 (26)
3.3.2 MFTPE模型 (29)
3.3.3 HTPE模型 (30)
3.3.4 评价方法 (34)
模型预测阶段 (36)宽容的小故事
七一党课讲稿3.4.1 类型缺失实体预测 (36)
3.4.2 类型不完全实体补全 (36)
实验 (37)
3.5.1 实验数据集 (37)
3.5.2 分离实验 (38)
3.5.3 相关工作对比 (44)
本章小结 (45)
第四章系统的设计与实现 (47)
系统需求分析 (47)
4.1.1 功能需求分析 (47)
4.1.2 性能需求分析 (47)
系统框架设计 (47)
4.2.1 系统开发环境 (47)
4.2.2 系统总体架构 (48)
系统模型层实现 (49)
4.3.1 数据处理阶段 (49)
4.3.2 模型训练阶段 (51)
4.3.3 模型预测阶段 (53)
系统视图层与控制层实现 (54)
系统测试 (56)
本章小结 (60)
张士欣第五章总结与展望 (61)
本文总结 (61)
未来工作展望 (61)
干贝的营养价值及功效与作用
致谢 (63)
参考文献 (65)
缩略语 (69)
图目录
小鸟作文
图1.1 KBQA中实体类型作用 (2)
图1.2 DBpedia实体Donald Trump类型 (2)
图2.1 多标签的例子 (8)
图2.2 标签的2种层次结构 (11)
图2.3 树形结构标签例子 (11)
图2.4 局部HMC法的3种方式 (12)
图2.5 类别层级为3层的HMC-LMLP模型结构 (13)
图2.6 HMCN-F模型结构 (14)
图2.7 HMCN-R模型结构 (14)
图3.1 实体类型预测任务的整体流程 (19)
图3.2 DBpedia中实体的例子 (21)
图3.3 类型文档的VSM表示 (25)
图3.4 基于类型文档的FastText模型结构 (27)
图3.5 多模态的3种融合方式 (29)入殓师是什么职业
图3.6 MFTPE模型结构 (30)
图3.7 实体Donald Trump的类型向量 (32)
图3.8 HTPE模型结构 (33)
图3.9 HTPE-L模型结构 (33)
图3.10 层次约束修正例子 (34)
图4.1 实体类型预测系统的总体框架 (48)
图4.2 系统主界面 (54)
图4.3 数据处理界面 (55)
图4.4 模型训练界面 (55)
图4.5 模型预测界面 (56)
