多关系图的路径代数
在这项工作中,我们提出了一种新的方法来学习元路径和元路径图神经网络,通过少量信息丰富的元路径来提高准确性,在增量构建元路径的过程中使用评分函数来衡量关系的潜在信息量。实验评估表明,该方法即使在存在大量关系的情况下,也能正确识别相关的元路径,并在综合和真实世界实验中显著优于现有的多关系图神经网络。
Sep, 2023
本文提出了一种基于强化学习的多跳关系路径学习框架,利用知识图谱嵌入、采样方式和奖励函数提高路径推理的精度、多样性和效率,并在 Freebase 和 Never-Ending Language Learning 数据集上展示了其优异性能。
Jul, 2017
本研究基于代数拓扑学和其现代发展,持久同调理论,在图表示学习中提出了一种新的基于循环基的归纳关系预测解决方案。通过探索循环空间的线性结构,我们可以提高规则搜索的效率。在收集这些循环的基础上,我们构建了一个新颖的 GNN 框架,学习了循环的表示,并预测了关系的存在性。该方法在基准测试中取得了最先进的性能。
Oct, 2021
本文开发了一种类型的回归模型来估计纵向和多元关系数据中成员之间的关系,该模型基于多线性张量回归模型,一种特殊情况是张量自回归模型,可以表示关系和网络数据中经常出现的模式,如互惠和传递性。
Nov, 2014
本文研究了以线性代数为基础的图查询语言 MATLANG 对于表示为邻接矩阵的图在各种片段中等价性的表征问题,并详细探讨了 MATLANG 中的线性代数操作对它们区分图形的能力的影响。
Dec, 2018
本文提出了一种基于路径的知识库表示学习模型,将多步关系路径作为实体之间表示学习的翻译,利用路径约束资源分配算法度量路径可靠性,并通过关系嵌入的语义组合来表示关系路径;实证研究结果表明,与基线方法相比,我们的模型在知识库完成和文本关系提取方面取得了显著且一致的改进。
Jun, 2015
本文提出了一种多值扩展的逻辑程序,基于可靠模型语义,其中模型中的每个真实原子都与一组证明关联,在一个证明树的集合中类似,我们将证明捕捉到一个真值的代数中,该代数具有三个内部操作:加号表示公式的替代证明,可交换乘积表示导致的联合交互以及非交换积表示证明构造器。使用这种多值语义,我们得到了标准(非因果)逻辑程序的语法证明树与模型中每个真实原子的解释之间的一一对应关系,并且由于这种代数特征,我们可以检测到获得的证明的冗余性和相关性。我们还确定了此代数的基于格的特征,定义了直接后果算子,证明了其连续性,并证明其最小修复点可以在有限次迭代后计算。最后,我们通过引入类似于 Gelfond 和 Lifschitz 的程序削减的变换来定义因果稳定模型的概念。
Dec, 2013
提出了一个能够动态调整邻居图的框架,它能够根据中间推理结果的状态和相互连接的结构属性来处理多关系数据,并根据中间推理结果使用不同数量的关系。将链接预测任务制定为对邻域图的推理,并包括初步结果来说明我们提出的框架中不同策略的影响。
Jul, 2016