基于CVGAE的无监督跨领域学习先决条件链挖掘

扫码查看

原文链接

NETL
NSTL
万方数据
维普

中文摘要：在学习过程中,概念之间存在一种先决条件关系,概念先决条件链挖掘可以帮助人们提高获取新知识的效率.依靠大规模标注数据,人们可以通过监督学习快速确定概念的学习顺序.但是在没有标注数据的领域,先决条件关系很难被发现,只能借助其他领域有标注的数据进行跨领域迁移.采用无监督跨领域变分图自编码器(CVGAE)可以解决跨领域先决条件链发现问题.CVGAE模型由变分图自编码器和领域判别器组成,变分图自编码器用来预测概念之间是否具有先决条件关系,领域判别器用来判断概念所属领域.模型只需要简单的同构图作为输入,不需要构建复杂的异构图.通过在自建的数据集上评估,相较于目前最先进的基于资源概念图的基准模型,该模型在仅使用20％的图规模和35％的计算时间的情况下却能够取得相当的效果.

外文标题：Unsupervised Cross⁃Domain Learning Prerequisite Chain Mining Based on CVGAE

作者：

徐国兰

展开 >

作者单位：

山东理工大学图书馆, 淄博 255049

关键词：

先决条件链跨领域变分图自编码器深度学习

出版年：

2022

DOI：

10.3969/j.issn.1007-1423.2022.23.011