摘要：针对行业数据增长快、维数高且核心特征不明确等特点,提出基于Schmidt正交分解的动态正交降维算法(DOADR),在线性独立性基础上,设计自适应阈值机制以筛选基底矩阵,同时实现维数动态增长;根据流式数据的特点进一步提出增量DOADR算法优化阈值设计。真实数据集上的实验证明,算法较主流模型在计算开销、重构误差和分类准确率等指标上具有一定优势。

摘要：现有知识库存在大量缺失事实且事实常携带时间信息。针对主流嵌入表示方法在知识补全时常忽略时间维度的问题,设计一种时间敏感的三元组嵌入表示方法TSKGC(time sensitive knowledge graph completion)。通过为时间戳分配超平面,将时序信息合并到实体关系空间中,并进一步将映射后三元组的3列k维矩阵表示用作卷积神经网络的输入,在不同超平面对应的多通道中并行处理,提取三元组特征用于知识补全。在YAGO11k和Wikidata12k数据集上的实验证明,TSKGC具备一定的时间预测能力,并能有效利用时间信息提高链路预测的性能表现,特别在1-M、M-1和M-M复杂关系类型上相比主流模型具备一定优势。

摘要：单一得分函数难以学习多种关系模式;增强表达能力往往意味着较高的模型复杂度和计算开销。在基于平移/旋转的嵌入模型基础上,设计结合多重得分函数的神经网络模型,分析其对多种关系模式的学习和表示能力,在统一框架下为同一实体/关系训练多组独立的嵌入表示以匹配得分函数,同时使用基于阈值限制的损失函数改善模型的泛化能力。在4个主流数据集上进行链路预测,比较方案与其他主流模型的性能表现,验证在嵌入表示中集成不同关系模式信息的可行性,衡量不同得分函数对整体模型的影响。