RapidMinerKE


基于RapidMiner平台的知识表示学习增强框架


操作向导

摘要


知识表示学习旨在将知识图谱中的实体和关系表示为低维稠密的向量。大多数现有的研究只利用结构信息来学习这些向量。我们研究OWL 2 RBox公理的逻辑信息如何用于知识表示学习并发现RBox公理的参与可以提升现有的知识表示学习方法。例如,对称、自反或传递关系可以用RBox公理来声明,但是主流的TransE、TransH、TransR和TransD等方法无法为这些关系学习可区分的向量。为了克服由RBox公理引入的这些限制,我们提出通过逻辑预完备和实体的双向投影来增强现有的方法。

主要贡献:

  • 逻辑预完备;

  • 实体的双向投影;

  • 将主流知识表示学习翻译模型与RapidMiner数据挖掘平台结合,提供集成测试环境。