@inproceedings{Feng-etal-2023-rong
    author = {冯,艳  and  蒲, 飞  and  杨柏林},
    author = {Yan, Feng  and  Fei, Pu  and  Bolin, Yang},
    title = {融合实体多层语义的四元数表示学习方法(Quaternion Representation Learning Method to Fusion Multilayer Semantics of Entities)},
    booktitle = {"Findings of the Proceedings of the 22nd China National Conference on Computational Linguistics"},
    month = {"August"},
    year = {"2023"},
    address = {"Harbin, China"},
    publisher = {"Chinese Information Processing Society of China"},
    url = {https://aclanthology.org/2023.findings-ccl-1.10},
    pages = {100--110},
    abstract = {"知识图谱作为人工智能领域中一个重要的研究分支，通常采用三元组（头实体，关系，尾实体）的形式描述和存储客观世界中的信息。由于知识图谱普遍存在数据稀疏的问题，即知识图谱不完备问题，因此需要借助机器学习和表示学习来补全知识图谱。针对这个问题，本文提出一种融合实体多层语义的四元数表示学习方法，通过将实体和关系建模在超复数空间内，用四元数和单位四元数分别表示头尾实体和关系，利用关系单位四元数对头实体和尾实体分别做右等斜旋转和逆方向的右等斜旋转来融合实体的多层语义信息，在能够推理和建模多种复杂关系模式（对称/反对称、反转和组合关系模式等）的同时，也能捕获到实体和关系之间隐含的多层交互信息。本文对比几个主流的知识图谱嵌入模型，在四个公开数据集WN18、WN18RR、FB15K和FB15K-237上进行链接预测实验，实验结果显示，本文提出的方法相对于已有的知识图谱嵌入模型的性能有了明显改进和提升。"},
    language = "Chinese",
}