目录
目录
摘 要 I
ABSTRACT II
第一章 绪论 1
1 研究背景与意义 1
1.1 研究背景 1
1.2 研究意义 2
2 国内外研究与发展现状 3
2.1 基于知识图谱的关系研究 3
2.2 融合算法与典型相关性分析算法 3
3 本文的主要贡献与创新 4
4 本文的内容安排 5
第二章 基于张量融合的知识图谱模型 6
1 张量融合算法 6
1.1 知识预处理 6
1.2 张量融合层 6
1.3 关系预测子网络 7
2 低阶张量融合算法 8
2.1 低阶张量权重的分解 8
2.2 基于并行分解的低阶张量融合 9
3 基于张量融合算法的知识图谱模型 10
3.1 模型介绍 10
3.2 实验结果 11
4 本章小结 12
第三章 典型相关性分析和知识图谱 14
1 典型相关性分析算法 14
1.1 最大相关性函数 14
1.2 损失函数 15
2 深度典型相关性分析算法 15
2.1 深度网络层 16
2.2 损失函数 16
3 本章小结 17
第四章 基于张量融合和典型相关性分析的知识图谱模型 18
1 模型介绍 18
1.1 整体框架 18
1.2 工作原理 19
2 实验方法 19
2.1 实验环境与评价指标 19
2.2 数据集 20
2.3 对比方法 21
3 实验结果与分析 22
4 本章小结 24
第五章 结论与展望 26
参考文献 27
目录
致 谢 30
基于张量融合和典型相关性分析的知识图谱关系研究
摘 要
随着互联网的深入发展和 *51今日免费论文网|www.51jrft.com +Q: *351916072* 
大数据信息时代的到来，知识图谱逐渐成为人工智能技术发展的关键技术之一。目前，知识图谱关系研究的重要内容之一，是挖掘知识图谱中的深层隐含数据，提高已知信息的利用价值。但是，随着复杂关系内容以及数据量的激增，高效、准确地利用现有知识进行关系预测和图谱补全的难度在不断增加。为了解决上述问题并提高知识图谱关系预测能力，本文提出搭建基于张量融合和典型相关性分析的知识图谱模型。该模型首先通过典型相关性分析算法挖掘实体和关系之间的隐含信息，完善已知的知识；然后，使用张量融合算法对知识图谱三元组信息以及挖掘得到的新知识进行融合，探索实体和实体、实体和关系之间的隐含交互信息，在补全知识图谱信息的同时优化模型的计算速度以及预测精确度。同时，本文使用大量现实数据集以及新颖的医药数据集对提出的模型进行测试，实验结果表明，相较于当前常用的知识图谱关系预测算法，本文提出的模型性能综合表现最佳，在现实中具有较高的实践意义和应用价值。
目录

原文链接：http://www.jxszl.com/dzxx/dzdq/609058.html