使用深度神经网络对DBpedia中的事物进行分类

语义网旨在以网络规模表示关于真实世界的知识——事物、其属性及它们之间的关系可表示为互连语义图中的节点与边。在存在噪声数据的情况下（语义网数据典型特征），软件Agent需要能够鲁棒地推断个体的一个或多个关联可操作类别，以便自动对其采取行动。我们将此问题建模为多标签分类任务，旨在鲁棒地识别语义图（如DBpedia，我们用作语义网上的示例数据集）中个体的类型。我们的方法首先使用随机游走为个体提取多个特征，然后使用全连接神经网络执行多标签分类。通过系统性探索与实验，我们确定了特征提取超参数及全连接神经网络结构对分类性能的影响。我们的最终结果表明，我们的方法优于SDtype和SLCN等最先进（SOTA）推理系统，由此可得出结论：基于随机游走的个体特征提取及其使用深度神经网络的多标签分类，是这些系统用于语义网个体类型分类的一种有前景的替代方案。我们工作的主要贡献是引入一种新方法，使我们能够通过使用随机游走提取特征，利用深度神经网络识别噪声语义图中个体的类型。