返回
Entity completion for industrial knowledge graph based on zero-shot learning
DOI:10.1007/s10618-025-01160-0.png)
摘要
En 中文
知识图谱技术在近年来显著进步,解决了多种工业问题,包括智能决策、缺陷诊断、根本原因分析和质量追溯。然而,由于工业信息化不足,知识图谱中经常包含大量缺失项。在工业知识图谱中,实体补全并不常见。本研究提出了一种NFET-GAN方法,利用零样本学习框架解决工业知识图谱中的实体补全问题。在此方法中,缺失实体的语义特征是从其文本描述中推断得出的。本研究中考虑的一跳邻域特征实际上增强了类内相似性,同时降低了类间相似性。实验数据显示,所提方法优于先前方法,在真实装配领域知识上的平均平均互反排名(Mean Reciprocal Rank)提升了61.4%。该方法具体改进了通用百科全书知识图谱的性能,证明了该方法的普适性。
Keyword:
Intelligent manufacturing
Knowledge graph
Zero-shot learning
Generative adversarial networks
期刊
IF:
4.3
论文数:
221
被引数:
6.0K
机构
引用论文
HAPZSL: A hybrid attention prototype network for knowledge graph zero-shot relational learning
NEUROCOMPUTING
IF6.5

