一种面向蔬菜中文知识图谱表示学习的改进方法

来源：中国农机化学报杂志2021年第9期北京时间：

作者：杜亚茹, 黄媛, 高欣娜, 武猛, 李海杰, 杨英茹,

单位：石家庄市农林科学研究院;石家庄市农业信息化工程技术创新中心;河北省都市农业技术创新中心;

摘要：由于TransE模型在处理不同类别关系时,忽略了同类别向量的语义差别,在对蔬菜领域知识图谱中存在的一对多、多对一和多对多的复杂属性关系进行表示学习时效果较差。本文在TransE方法的基础上,提出PTA(Path-based TransE for Attribute)模型对其进行改进。首先,将蔬菜领域实体和关系通过word2vector映射到一个低维稠密向量空间中;其次,将复杂的属性关系和上下位关系进行结合构成关系路径进行训练;并采取Mean Rank和Hits@10两个评价指标衡量表示学习模型的链接预测效果。试验结果表明:PTA模型较TransE模型在不考虑关系分类的情况下,链接预测效果有较大的提高,Mean Rank最高提前6个次序;且在对属性关系按照复杂度进行分类的情况下,链接预测Hits@10的值较TransE模型最高提高13%。

关键词：蔬菜,知识图谱,知识表示学习,TransE,PTA模型,链接预测

基金资助：农业部岗位科学家项目(CARS—23—C06) 石家庄市科学技术研究与发展计划项目(201490074A)