杜亚茹，黄媛，高欣娜，武猛，李海杰，杨英茹

(1. 石家庄市农林科学研究院，石家庄市，050041； 2. 石家庄市农业信息化工程技术创新中心，石家庄市，050041；3. 河北省都市农业技术创新中心，石家庄市，050041)

0 引言

随着信息社会的发展，海量的开放链接数据和用户生成的内容在互联网上发布和共享[1]，人们迫切地需要建立标准化的知识模型以解决知识的共享问题。由Google公司提出的知识图谱，以知识单元为基础，快速把握学科前沿领域[2]。知识图谱作为增强搜索功能的知识库，近几年得到迅速的发展。

人们通常采用语义网络图的形式来组织知识图谱中的知识条目，图中的节点表示实体，边表示关系。近年来，随着深度学习技术的发展，表示学习技术以分布式表示为理论基础，旨在将知识图谱中的实体和关系用一组低维实值的向量进行表示，很大程度上解决了网络形式的表示方法在计算过程中面临的计算效率和数据稀疏问题。知识表示学习模型，最初是建立在知识图谱的基础上，但是它贯穿在整个知识图谱的构建过程中，不仅可用于信息抽取[3]，还可以应用在知识融合[4]和知识推理等方面[5-6]。随着Mikolov等在2013提出word2vec[7]，知识的表示学习技术越来越受到重视。Word2vec是一款将词表征为实数值向量的工具包，该工具包主要利用深度学习的思想，通过训练可以将文本内容转化为向量来完成信息处理，并通过计算向量间的差值来衡量对应文本内容的语义相似度。在此基础上，Bordes等提出表示学习的翻译模型TransE，TransE模型是一种简单有效的表示学习方案，其主要思想是将知识图谱中的关系看作头实体到尾实体的一种翻译操作。……