《表2 相关模型对比:科技大数据知识图谱构建方法及应用研究综述》
a)表格中“”表示支持,“×”表示不支持.
知识图谱可以看作是一类图G=(V={v1,v2,...,ve},E={e1,e2,...,ep}),其中的节点V与边E象征着实体与实体间的关系,其中ep代表p类不同的边(或者被称为predicate)的类型,ve象征e类不同类型的节点.重要性度量s∈R 0代表一个非负实数,表达了对应节点的重要度.给定一个知识图谱G=(V={v1,v2,...,ve},E={e1,e2,...,ep})以及一个重要性度量s∈R 0,可以利用某一个节点实体在图中子集S学习到一个方程F(S),并利用这个公式求得所有节点的重要程度.不同于其他重要性评估指标,图神经网络角度进行的评估可以利用知识图谱的“边的类型”这一重要属性,同时由于图神经网络的特性,其也具有良好的泛化性能,并且一些利用图卷积神经网络的节点表示学习方法可以应对动态的知识图谱,具有良好的扩展性.基于神经网络与基于复杂网络的相关模型对比如表2[91~93]所示.
图表编号 | XD00168236000 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.20 |
作者 | 周园春、王卫军、乔子越、肖濛、杜一 |
绘制单位 | 中国科学院计算机网络信息中心、中国科学院大学、中国科学院计算机网络信息中心、中国科学院大学、中国科学院计算机网络信息中心、中国科学院大学、中国科学院计算机网络信息中心、中国科学院大学、中国科学院计算机网络信息中心、中国科学院大学 |
更多格式 | 高清、无水印(增值服务) |