一种用于本体包含预测的带注释嵌入模型的自匹配训练方法

最近，人们提出了在低维空间中表示实体的本体嵌入以用于本体补全。然而，用于概念包含预测的本体嵌入未能解决相似实体和孤立实体的困难，并且无法从本体中提取注释公理的全局信息。在本文中，我们为两种本体嵌入模型提出了自匹配训练方法：倒排矩阵嵌入（InME）和共现矩阵嵌入（CoME）。这两种嵌入通过一组公理中每个单词的出现位置以及每个公理中单词的共现情况，捕捉注释公理中的全局和局部信息。自匹配训练方法提高了概念包含预测的鲁棒性，特别是在预测的超类与子类相似且在本体中与其他实体孤立时。我们的评估实验表明，带有 InME 的自匹配训练方法在 GO 和 FoodOn 本体上优于现有的本体嵌入，而带有 CoME 和 OWL2Vec*串联的方法在 HeLiS 本体上优于它们。