摘要
本发明具体涉及一种基于自适应图架构的知识图谱补全的方法,方法包括:获取知识图谱数据;构建层感知图卷积网络模块,将知识图谱数据输入至层感知图卷积网络模块,得到层感知后的实体矩阵和关系矩阵;构建单纯复形神经网络模块,将知识图谱数据输入至单纯复形神经网络模块,得到复形后的实体矩阵和关系矩阵;构建自适应特征融合模块,将层感知后的实体矩阵和关系矩阵、复形后的实体矩阵和关系矩阵输入至适应特征融合模块,生成自适应实体矩阵和自适应关系矩阵;根据训练后的自适应实体矩阵和自适应关系矩阵,补全知识图谱数据。本发明通过自适应图架构有效融合成对和高阶特征,显著提升知识图谱补全的准确性和鲁棒性。
技术关键词
矩阵
知识图谱补全
知识图谱数据
实体
编码特征
关系
融合特征
平方根
参数
邻居
高阶结构特征
卷积神经网络模块
三元组
注意力机制
损失函数优化
编码器
节点
多层感知器
系统为您推荐了相关专利信息
大数据分析方法
图谱
引入注意力机制
煤矿设备
BERT模型
矩阵
机器可读存储介质
预训练模型
内存访问模式
电子设备
船舶轨迹预测方法
神经网络模型
历史轨迹数据
卡尔曼滤波
轨迹预测技术