机构名称：
¥ 1.0
摘要 - 在计算知识的领域中，知识图推理（KG-R）位于促进多种领域的促进复杂的推论能力的前端。这项研究的精髓旨在实现强化学习的使用（RL）策略，尤其是增强算法，以浏览多跳kg-r中固有的内在物质。这项调查批判性地解决了知识图（kgs）固有的不完整所带来的普遍挑战，这些挑战经常导致错误的推论结果，表现为虚假负面因素和误导性的阳性。通过将大学的医学语言系统（UMLS）分区分为富且稀疏的子集，我们研究了预训练的BERT嵌入式的功效，并促使学习方法来完善奖励成型过程。这种方法不仅提高了多跳kg-r的精度，而且为该领域的未来研究树立了新的先例，旨在提高复杂KG框架内知识推断的鲁棒性和准确性。我们的作品对KG推理的论述有了新的观点，提供了一种方法上的进步，该进步与自然期刊的学术严谨和学术愿望保持一致，并有望在计算知识表示领域中进一步发展。索引术语 - 知识图推理，强化学习，奖励成型，转移学习
通过奖励成型技术增强多跳的知识图
主要关键词
相关文件推荐
