在知识库学习和推理中嵌入实体和关系

Dec, 2014

在知识库学习和推理中嵌入实体和关系

Embedding Entities and Relations for Learning and Inference in Knowledge Bases

Bishan Yang, Wen-tau Yih, Xiaodong He, Jianfeng Gao, Li Deng

TL;DR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。

Abstract

We consider learning representations of entities and relations in KBs using the neural-embedding approach. We show that most existing models, including NTN (Socher et al., 2013) and TransE (Bordes et al., 2013b), can be generalized under a unified learning framework, where entities are low-dimensional vectors learned from a neural network and relations are b

knowledge bases neural embeddings relation learning link prediction rule mining

发现论文，激发创造

使用神经嵌入模型学习多关系语义

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。

Nov, 2014

用嵌入模型连接语言和知识库进行关系提取

本文提出一种新方法用于从自由文本中提取关系，该方法通过从知识库中学习单词和实体关系的低维嵌入来联合使用文本和现有知识信息，实验证明该方法能够有效地利用大量 Freebase 数据 (4M 实体、23k 关系) 提供的额外信息来改善仅依赖于文本特征的现有方法。

Jul, 2013

在知识图谱中学习基于注意力机制的嵌入向量以预测关系

该研究论文提出了基于注意力机制的特征嵌入方法，能有效地捕捉到三元组周边复杂和隐式的信息，并在多个数据集上相对于现有方法实现了显著的性能提升。

Jun, 2019

利用神经张量网络和语义词向量从知识库中学习新事实

本研究提出了一种基于神经张量网络模型（NTN）的通用数据关系预测方法，通过对给定知识库中的潜在关系进行分析，预测可能存在的新数据关系，初始实体表示使用文本中被无监督学习得到的词向量，该模型准确率可达 75.8%。

Jan, 2013

使用异构表示法连接语言和知识进行神经关系抽取

本文介绍一种统一 Relation Extraction 和 KB Embeddings 的学习框架，并证明在知识库更新任务中取得了显著进展。

Mar, 2019

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

知识图谱规则引导的联合嵌入学习

本研究论文介绍了一种新颖的模型，将知识图谱中的实体和关系编码为低维向量空间，并将上下文信息和字面信息融入到实体和关系嵌入中，使用图卷积网络进行建模，通过置信度和相关性度量评估上下文信息的重要性，并通过字面信息的表示来计算相关性度量。我们在两个常用基准数据集上进行了全面的实验证实以验证模型的性能。

Dec, 2023

灵活翻译的知识图谱嵌入

本文介绍了知识图谱嵌入的相关研究，提出了一种新的模型 ——TransF，有效地解决了前置模型无法处理的关系问题，并通过基准数据集的链接预测和三元组分类实验，证明了该模型相对于其他前沿模型具有明显的性能提升。

May, 2015

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

超越词嵌入：从大规模知识库中学习实体和概念表示

本文提出了一种新颖而简单的技术，将来自不同结构的两个大型知识库中的概念知识（Wikipedia 和 Probase）整合起来，学习概念表示，并在两个任务上评估了概念嵌入模型：类比推理和概念分类，并展示了无监督环境中用于神经语义分析的参数识别的案例研究，相对于 gazetteer 和正则表达式等繁琐易出错的方法，我们的无监督方法具有更好的泛化能力。

Jan, 2018