基于LSTM和卷积的时序知识图谱补全方法  

作　　者：许运生 陈美 朱巧燕 许珂 XU Yunsheng;CHEN Mei;ZHU Qiaoyan;XU Ke

机构地区：[1]南宁师范大学计算机与信息工程学院,广西南宁530199 [2]惠州市第三人民医院,广东惠州516001 [3]广东博罗农村商业银行股份有限公司,广东惠州516001

出　　处：《信息技术与信息化》2025年第4期170-175,179,共7页Information Technology and Informatization

摘　　要：时序知识图谱是一种表示实体及其语义关系随时间动态变化的结构化形式,用途广泛。然而,时序知识图谱通常存在不完整性,即部分实体和关系信息缺失。为了解决这一问题,时序知识图谱补全技术应运而生,其目标是通过已知信息来推断和补全缺失部分。然而,现有方法在实体、关系和时间信息的交互建模方面仍显不足,且时间信息的表示也有待进一步优化。为了解决上述挑战,文章提出了LCCE(lstm-conv-conv embedding),该方法首先采用长短期记忆网络捕捉时间信息的层次性和依赖性,从而更有效地表示时间维度中的复杂动态变化。其次,通过卷积神经网络增强实体、关系和时间信息之间的深度交互,提高了知识表示的综合能力。在四个基准数据集上的实验结果表明,LCCE的预测效果优于现有主流模型。

关 键 词：时序知识图谱补全 LSTM 卷积神经网络 特征交互 循环卷积 

分 类 号：TP391.1[自动化与计算机技术—计算机应用技术]