RapidMinerKE - 基于RapidMiner平台的知识表示学习增强框架

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中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

Daten und Ressourcen

RapidMiner实验平台RapidMiner _{【下载量：443】}
为了比较同一环境下的所有TransX，TransX +，BiTransX +方法，我们使用RapidMiner平台进行所有的实验。...
Entdecke
- Mehr Information
- Herunterladen
实验数据集TXT _{【下载量：499】}
...
Entdecke
- Vorschau
- Herunterladen
RapidMiner实验布局rmp _{【下载量：234】}
这些文件是RapidMiner Processing（rmp）文件，可以在RapidMiner平台中加载以进行实验。
Entdecke
- Mehr Information
- Herunterladen
知识表示学习插件包源代码java _{【下载量：256】}
...
Entdecke
- Mehr Information
- Herunterladen

Zusätzliche Informationen

Feld	Wert
Quelle	http://www.dataminingcenter.net/RapidMinerKE/
Autor	杜剑峰
Version	1.0
Zuletzt aktualisiert	November 23, 2017, 03:42 (UTC)
Erstellt	November 23, 2017, 03:42 (UTC)