《表2 主要机构发文情况：一种融合主题特征的自适应知识表示方法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《一种融合主题特征的自适应知识表示方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

Trans E等基于翻译的模型往往把关系看作简单的实值向量，忽略了关系上丰富的文本信息，因而难以处理复杂关系。LDA主题模型是一种非监督模型，能够用来识别大规模文本集中隐含的主题信息，被广泛应用于文本分类和自动摘要等文本分析任务中[22]。基于此，本文考虑利用LDA主题模型抽取关系描述文本中潜在的主题特征，并基于主题特征构建关系向量。LDA训练后会生成两个分布，即文本-主题概率分布θ和主题-词概率分布φ，如表1和表2所示。表1反映每个文本在各个主题上的分布概率，表2则反映每个词在各个主题中的权重。如果直接将关系描述文本d对应的主题概率分布θd作为关系向量，此时θd中主题的个数必须与表示向量的维数相同，且θd中每一维的值（主题出现的概率）都为正，势必影响知识表示的灵活性和可推理性。