【技术实现步骤摘要】
本专利技术涉及地理知识图谱领域，具体涉及一种基于实体语义相似性与聚类相结合负采样的地理知识图谱链接预测方法。
技术介绍
1、在地理信息科学中，地理知识通常基于场所特征和场所间的关系来表示。随着大数据和地理智能的发展，海量时空信息的产生伴随着更高程度的复杂性和多样性，进而导致地理知识的稀疏性和不完整性，对场所表示提出新的挑战。作为一种新兴的大规模结构化知识建模方法，地理知识图谱为形式化地组织地理知识提供了新途径，常见的表现形式为三元组。知识图谱嵌入表示模型将知识图谱中的实体和关系映射到低维的连续数值向量空间。这种表示方式使得高维、稀疏的图结构数据变得更加适合机器学习算法处理，促进了表示学习、链接预测等任务。
2、地理知识图谱仅基于已知的事实，以三元组的形式组织而成，即数据集只包含正样本，因此需要生成每个正样本对应的负样本，以便衡量知识图谱表示学习训练中的模型损失。负采样是知识图谱嵌入表示模型中的关键步骤，它通过生成负例三元组，提高模型的区分能力，从而使知识图谱嵌入模型更好地捕捉实体和关系的语义关联。
3、随机采样方...
【技术保护点】
1.基于实体语义相似性与聚类相结合负采样的地理知识图谱链接预测方法，其特征在于包括以下步骤：
2.根据权利要求1所述基于实体语义相似性与聚类相结合负采样的地理知识图谱链接预测方法，其特征在于：所述步骤1中，地理知识元组表示框架如下：
3.根据权利要求1所述基于实体语义相似性与聚类相结合负采样的地理知识图谱链接预测方法，其特征在于：所述步骤2包括以下步骤：
4.根据权利要求1所述基于实体语义相似性与聚类相结合负采样的地理知识图谱链接预测方法，其特征在于：所述步骤3中，
5.根据权利要求1所述基于实体语义相似性与聚类相结合负...
【技术特征摘要】
1.基于实体语义相似性与聚类相结合负采样的地理知识图谱链接预测方法，其特征在于包括以下步骤：
2.根据权利要求1所述基于实体语义相似性与聚类相结合负采样的地理知识图谱链接预测方法，其特征在于：所述步骤1中，地理知识元组表示框架如下：
3.根据权利要求1所述基于实体语义相似性与聚类相结合负采样的地理知识图谱链接预测方法，其特征在于：所述步骤2包括以下步骤：
4.根据权利要求1所述基于实体语义相似性与聚类相结合负采样的地理知识图谱链接预测方法，其特征在于：所述步骤3中，
5.根据权利要求1所述基于实体语义相似性与聚类相结合负采样的地理知识图谱链接预测方法，其特征在于：所述步骤4中，从n个实体数据集中随机选择k个对象作为初始聚类中心，分别计算每个实体点到聚类中心的距离，并逐一将它们分配到最近的聚类中，在所有实体都被分配后，更新k个类中心的位置；<...
【专利技术属性】
技术研发人员：马凯，卢思琦，邱芹军，黄泽华，谢忠，陶留锋，
申请(专利权)人：三峡大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。