液压工程的知识图表完成方法与空间转换和注意力机制相结合
Yang Liu1, Tianran Tao2, Xuemei Liu2
1Provincial Collaborative Innovation Center for Efficient Utilization of Water Resources in the Yellow River Basin, North China University of Water Resources and Electric Power, Zhengzhou 450046, China.
这项研究引入了知识图嵌入的新模型,该模型增强了语义信息提取. 空间转换和注意力机制 (STAM) 模型提高了基准数据集和液压工程中的链接预测准确性.
科学领域:
- 人工智能的人工智能
- 数据科学数据科学数据科学
- 计算机科学 计算机科学
背景情况:
- 知识图表完成 (KGC) 方法难以提取丰富的语义信息.
- 现有的模型往往无法捕捉到实体和关系之间的复杂关系.
研究的目的:
- 提出一个新的模型,空间转换和注意力机制 (STAM),用于增强知识图的嵌入.
- 为了提高KGC中语义信息提取的准确性.
主要方法:
- STAM结合了空间转换和注意力机制,用于知识图的嵌入.
- 它使用2D卷积神经网络和多级通道注意力机制.
- 该模型融合了浅层和潜在的信息,以获得更丰富的语义表达.
主要成果:
- 与ConvE相比,STAM的平均互惠等级 (MRR) 在WN18RR上提高了8.8%,在FB15K237上提高了10.5%,在Kinship上提高了6.9%.
- 该模型在液压工程数据集上在MRR,Hits@1,Hits@3和Hits@10中表现出卓越的性能.
结论:
- STAM有效地增强了语义信息提取,以完成知识图表.
- 拟议的模型显示,在各种数据集中,链接预测准确度显著提高,包括水利工程等专业领域.
更多相关视频
06:57Utilizing Electroencephalography Measurements for Comparison of Task-Specific Neural Efficiencies: Spatial Intelligence Tasks
Published on: August 9, 2016
06:45Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator
Published on: October 28, 2022
相关概念视频
Manipulation and Analysis
Hydraulic Jump: Problem Solving
Design Example: Creating a Hydraulic Model of a Dam Spillway
Selected Data About Geographic Locations
Modeling and Similitude
Design Example: Alignment of a Road Line Using GIS
