摘要
知识图谱作为人工智能技术的重要组成部分，被广泛应用于智能问答、智能搜索、个性化推荐等领域中。然而，知识图谱由于其动态增长的特性，始终存在着数据稀疏的问题，影响着人工智能模型的精度。知识图谱中知识的缺失问题亟待解决，知识图谱补全的概念得到了学术界和工业届的广泛关注。 现有的知识图谱补全方法大多依赖于知识图谱中实体间的关系，然而，真实知识图谱中部分实体由于较为罕见有较少的关系可达，这使得学习得到的向量表示质量较低，从而影响模型的精度。此外，由于处理非离散数据类型的属性值具有一定的挑战性，现有的先进的关系学习模型大多忽略了这些属性信息，在属性预测方面的研究较少。并且，现有的知识补全模型大都是基于原知识图谱中的三元组结构，这需要用户具有知识图谱的背景，才能迅速理解预测结果，忽视了可理解性的重要性。基于现有的工作背景，本文提出了一种基于网络角色的知识图谱缺失知识补全方法，来解决上述问题，主要研究内容如下： （1）提出一种基于网络角色的知识图谱实体嵌入方法。根据实体间不同层面的相似等效性，从同质性、属性相似性、结构相似性三个方面来进行实体角色发现，生成不同的实体路径，得到语义丰富的实体嵌入表示，解决了表示学习受知识图谱中关系稀疏影响较大的问题。 （2）提出一种基于实体标签的知识补全方法。将画像标签结果作为预测模型的输入输出，用户通过少量的实体画像标签就可以快速理解预测结果，增强了结果的可理解性。同时将连续值属性离散化，利用模糊预测代替属性值的精确预测，属性预测的结果由确切的数值变为值域范围。 （3）设计并实现基于网络角色的知识补全系统。该系统能够搜索查询目标实体，动态显示知识图谱中的实体画像标签补全的结果。同时，显示利用本研究的方法预测出的的标签补全结果的拟合度情况。 综上所述，本文研究了基于网络角色的知识图谱缺失知识补全方法：首先基于实体角色相似性生成实体嵌入表示，该实体嵌入表示用于生成实体画像标签。然后以实体标签作为知识补全模型的输入输出，进行标签预测任务，在真实的知识图谱数据集上进行实验，结果表明该方法的预测效果明显优于大多数现有模型。最后，设计并实现了知识图谱补全系统。
NETL