15、基于改进模型与集成学习的知识图谱与预测优化方案

基于改进模型与集成学习的知识图谱与预测优化方案

在知识图谱与机器学习领域，不断有新的方法和模型被提出以提升性能和解决实际问题。下面将为大家详细介绍两种不同但都具有创新性的研究成果，分别是用于时态知识图谱补全的改进模型，以及基于DCA的加权Bagging集成学习方法。

一、时态知识图谱补全的改进模型

时态知识图谱补全（TKGC）旨在完善知识图谱中随时间变化的信息。在这个领域，研究者们提出了新的模型以提升性能。

（一）相关基础概念

1. SimplE模型评分函数 ：在SimplE模型中，$\varphi(h, r, t)$ 是两个CP分数的平均值，其公式为 $\varphi(h, r, t) = \frac{1}{2} (\langle\overrightarrow{z_h}, \overrightarrow{z_r}, \overleftarrow{z_t}\rangle + \langle\overrightarrow{z_t}, \overleftarrow{z_r}, \overleftarrow{z_h}\rangle)$，其中 $\langle\overrightarrow{z_h}, \overrightarrow{z_r}, \overleftarrow{z_t}\rangle$ 是 $(h, r, t)$ 的分数，$\langle\overrightarrow{z_t}, \overleftarrow{z_r}, \overleftarrow{z_h}\rangle$ 是 $(t, r^{-1}, h)$ 的分数。
2. 学习过程 ：研究者将