Sep, 2015

TransG：用于知识图谱嵌入的生成式混合模型

PDF
TL;DR本文提出了一种名为 TransG 的高斯混合模型，用于嵌入具有多种关系语义的知识图谱，并且是第一个可以处理多种关系语义的生成模型。实验结果表明，该模型在知识图谱嵌入方面具有显著的优势。
knowledge graph embeddingmultiple relation semanticsgaussian mixture modellatent semanticsgenerative model
发现论文，激发创造
  • 多关系投影下的知识图谱嵌入

    TransF 是一种新型的基于翻译的方法，可用于对知识图谱进行嵌入学习和关系预测，在处理具有数千种关系的复杂知识图谱时，具有高效性和鲁棒性，比现有的方法表现更好。

    Jan, 2018

  • TranS: 基于转换的知识图谱嵌入与合成关系表示

    本论文提出了一种新颖的基于转移的知识图谱嵌入方法 TranS，使用合成的关系表示法代替传统评分模式中的单一关系向量，以有效和高效地解决相同实体对具有不同关系的复杂情况，实验结果表明，该模型在 ogbl-wikikg2 上实现了最先进的表现。

    Apr, 2022

  • 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

  • TransEdge: 面向知识图谱的关系上下文嵌入翻译

    本文提出了一种基于边的嵌入模型 TransEdge，通过上下文化的方式对知识图谱中的关系进行表示，取得了优秀的性能表现，在基于嵌入的实体对齐方面达到了最好的结果。

    Apr, 2020

  • TorusE: 嵌入到李群上的知识图谱嵌入

    本文提出一种新的知识图谱嵌入模型 ToruE，解决了传统模型 TransE 中由于规范化导致的问题，并在链接预测任务上表现优异。

    Nov, 2017

  • TransA: 知识图谱嵌入的自适应方法

    研究了知识表示在人工智能中的重要性，提出了基于转换的方法矢量化实体和关系，然后通过使用基于度量学习的自适应度量方法来提高性能。在基准数据集上通过实验证明了该方法的显着改进，领先于现有的基线模型。

    Sep, 2015

  • TransGCN: 将转化假设与图卷积网络相结合，用于链接预测

    本文提出一种名为 TransGCN 的 GCN 框架，同时学习关系和实体嵌入，通过引入对三元组主体、关系和对象之间关系的变换假设，探索了 TransE 和 RotatE 中的旋转假设，在处理知识图谱中异构关系时比 R-GCN 模型参数更少。实验结果表明，此方法在 FB15K-237 和 WN18RR 上优于现有的方法。

    Oct, 2019

  • TGG：零样本学习和少样本学习的可转移图生成

    提出一种 Transferable Graph Generation 方法应用于 zero-shot/few-shot 学习领域，采用显式的图生成建模来解决隐式方法的关系不充分的问题。通过由一个基于注意力机制的图生成网络和一个关系核心生成与学习充分，从而实现对未知领域的知识迁移。

    Aug, 2019

  • TripleRE: 通过三倍关系向量进行知识图谱嵌入

    TripleRE 是一种新的知识图谱嵌入方法，其创新性地将关系向量分为三部分并利用残差概念实现更好的性能。此外，使用 NodePiece 对实体进行编码取得了良好的效果，缩小了参数大小并解决了可扩展性的问题，实验表明我们的方法达到了大规模知识图谱数据集的最先进水平，且在其他数据集上也有竞争力。

    Sep, 2022

  • 跨语言知识对齐的多语言知识图谱嵌入

    本文提出了一种基于翻译模型的多语言知识图谱嵌入方法 MTransE 来实现跨语言的知识对齐，并采用不同的转化技术和损失函数来生成五种模型，实验证明该方法在跨语言实体匹配和三元组对齐方面取得了很好的效果。

    Nov, 2016