NIPSNov, 2014

使用神经嵌入模型学习多关系语义

PDF
TL;DR本文提出了一种统一的模型框架，用于建模多关系表示、评分和学习，并在此框架下对几种最近的多关系嵌入模型进行了实证研究。研究了基于线性和双线性变换的关系算子的不同选择，以及通过整合额外文本资源上的非监督向量进行实体表示的效果。结果表明了几个有趣的发现，实现了在 Freebase 上进行评估的热门知识库完成任务的最新性能的简单嵌入模型的设计。
multi-relational representationsembedding modelsentity representationsknowledge base completion taskfreebase
发现论文，激发创造
  • 在知识库学习和推理中嵌入实体和关系

    通过基于神经嵌入的方法，学习知识库中实体和关系的表示，并将大多数现有模型统一到一个学习框架下，比较各种嵌入模型在链接预测任务上的表现，其中一个简单的双线性公式在任务中取得新的最优结果；此外，利用此模型可以挖掘逻辑规则，其中包含组合推理，并且此方法在 Horn 规则挖掘方面表现优秀。

    Dec, 2014

  • 基于双线性模型的多关系链接预测

    本文研究了多关系链接预测和知识图谱完成的双线性嵌入模型，探讨了文献中各种双线性模型的表达能力和相互关系，证明了多个嵌入约束条件的双线性模型可以表示每个关系集合，并提出了多个嵌入关系级联模型达到最先进的预测性能的证据。

    Sep, 2017

  • 一种多关系数据学习的语义匹配能量函数

    本文提出了一种新的神经网络架构，它将多关系图嵌入到灵活的连续向量空间中，以增强数据的原始语义，并在文献标准数据集上表现出了高竞争性的链接预测性能。

    Jan, 2013

  • 基于卷积的知识图谱嵌入的多关系建模

    本研究提出了一种利用卷积神经网络和注意力机制解决多关系表示学习中多重关系语义连接问题的模型 ConvMR，我们使用 FB15k-237 和 WN18RR 数据集进行实验，结果表明该模型能够显著提高平均 Rank 和处理不常见实体的效率。

    Oct, 2022

  • 自然语言定义的多关系双曲词嵌入

    本文提出了一种神经符号、多关系框架来仅通过自然语言定义学习单词嵌入，特别地，通过在超几何空间中学习，将维护向量空间中的显式概念关系和约束。实验结果表明，这种方法可以帮助强制执行期望的结构约束，同时保留可控和可解释的语义导航，而且超几何词嵌入优于欧几里得空间的词嵌入。

    May, 2023

  • 利用词汇资源学习多关系数据中实体嵌入

    提出了一种使用词汇资源的描述和分布式语义语料的相关信息的简单方法，以更好地初始化关系模型的训练，在 WordNet 数据集上表现出了显着的最新性能。

    May, 2016

  • 为知识库补全嵌入多模态关系数据

    该研究提出了一种使用多种神经编码器的多模态知识库嵌入方法，将它们与现有关系模型相结合，学习实体和多模态数据的嵌入，进而提出了一种新的多模态插值模型，用于从知识库中的信息生成丢失的多模态值，并通过用户研究评估了其生成的多模态值的质量。

    Sep, 2018

  • 多关系嵌入的类比推理

    本论文提出一种基于类比原理的新型框架，用于大规模多关系嵌入中的潜在实体和关系的表示优化。该模型具有强大的理论能力和计算可扩展性，在基准数据集上显著优于大量代表性基线方法。此外，该模型提供了多个已知方法的优雅统一，可以证明是我们框架的特殊实例。

    May, 2017

  • 关于知识库二元关系的表示与嵌入

    本文提出了一个包含多折叠关系的知识库的标准表示形式，旨在用这个表示形式直接对多折叠关系进行建模。将现有的 TransH 模型推广到新模型 m-TransH，实验结果表明 m-TransH 比 TransH 表现更好，从而建立了一个新的最先进状态。

    Apr, 2016

  • MCSE: 句子嵌入的多模态对比学习

    本文提出了一种基于多模态对比目标的句子嵌入学习方法，利用同时包含视觉和文本信息的数据提高了语义相似性任务的性能，并通过分析文本嵌入空间的性质解释了本方法提高性能的原因。

    Apr, 2022