本文通过 Max-Margin Markov Graph Models (M3GM) 取得了 WordNet 数据集上新的最优成果,并且找到了一些构成良好词汇语义本体的多重关系模式。
Aug, 2018
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
通过深度度量学习进行后处理可以提高神经语言模型中语义相似度推断的效果,并将层次拟合用于建模 IS-A 层次中的语义相似性细微差别。
Oct, 2022
本研究使用拓扑数据分析模式,开发和测试了一种新型的自监督学习算法,用于词义识别和消歧任务,并在 SemCor 数据集上演示了其低相对误差,为自然语言处理领域中基于拓扑的算法提供了希望。
Mar, 2022
研究了 ConceptNet 定义的由 11 种不同语言的七个语义关系组成的语义网络的特性,发现它们普遍具有稀疏、高度聚集和幂律程度分布等基本属性,少数语言的语义网络由于语法规则的影响出现幂律分布中的峰值。此外,根据语义关系类型和语言不同,语义网络中连接的形成受不同原则的指导,利用语义网络中相似性和互补性知识,可以提高 NLP 算法中的缺失链接推断。
Apr, 2023
本文研究了基于图神经网络的文本分类任务,提出了一种新的分层图神经网络模型(HieGNN),其在词级别、句子级别和文档级别分别提取相应的信息。实验结果表明与几个基准方法相比,我们的模型能够从样本中获得更多有用的分类信息。
Sep, 2022
本文探讨相似性图在最近邻搜索中的应用,提出了一种学习路由函数以克服局部极小值并显著提高整体搜索性能的方法。
May, 2019
自我监督学习与深度聚类的实例区别视角启发了对语义相似实例分组的重要性,通过促进由邻域一致性保留的语义结构,通过在线重新排序过程,挖掘更有信息量的邻居,进而鼓励跨视图的邻域一致性,并通过渐进松弛的边界过滤策略缓解聚类边界附近的噪声。我们的方法可以轻松整合到通用的自我监督框架中,并在几个常见基准测试中优于现有方法。
Dec, 2023
我们提出了一种新的 K 最近邻搜索方法,它基于可控层次结构的可导航小世界图(Hierarchical NSW,HNSW)。所提出的解决方案是完全基于图的,无需任何额外的搜索结构,在多层结构中进行搜索可以提高性能,同时利用启发式算法选择近邻可以在高召回率和高密集度的情况下显著提高性能。
Mar, 2016
本文提出了一种基于 Graph Neural Networks 的新型深度学习方法,以解决如何预测大型演化网络中链接出现的问题,特别地,预测与 AI 相关的主题之间的链接。实验结果表明,使用此方法能够有效地识别出节点的吸收和密集子图的合并两种模式,且模型具有较高的预测准确性。
Jan, 2022