.png){kind=icon}
返回
Convolutional autoencoder and embedding-based approach for deep clustering in knowledge graphs
.png){kind=icon}
PRE
AI
DOI：10.1007/s10115-026-02688-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识图谱作为实体间复杂关系的强表示形式，已在众多领域获得了显著认可。为了成功利用这些相互连接的结构，嵌入技术已作为一种潜在技术出现，用于学习知识图谱中低维实体和关系的向量表示。这些学习到的嵌入能够实现高效计算，并有助于知识图谱的众多相关任务，包括链接预测和实体分类。本文提出了一种新颖的方法，通过整合RDF2Vec技术生成嵌入，并结合卷积自编码器（CAEs）进行降维和凝聚聚类，对知识图谱中的实体进行深度聚类。该方法在FB15K、YAGO43K和DB100K数据集上表现出高性能，显著优于其他技术。通过利用卷积自编码器的有效特征提取能力以及凝聚方法层次聚类的优势，本技术实现了聚类准确率、NMI、Purity和ARI指标的最佳性能。研究发现，RDF2Vec嵌入在知识图谱中实体表示方面更为成功，尤其是在与语义网和数据分析任务中的深度学习知识图谱应用相结合时。
Keyword:
Knowledge graph
Entity clustering
Deep learning
Convolutional autoencoder
Embedding
期刊
IF:
3.1
论文数:
568
被引数:
5.2K
机构
引用论文
.png){kind=icon}
A survey of research hotspots and frontier trends of recommendation systems from the perspective of knowledge graph知识图谱视角下推荐系统研究热点与前沿趋势综述
OAAI
OAAI分享收藏Specifying Knowledge Graph with Data Graph, Information Graph, Knowledge Graph, and Wisdom Graph
PREAI
分享收藏分享收藏
查看更多内容