知识图谱的全息嵌入

AAAIOct, 2015

Holographic Embeddings of Knowledge Graphs

Maximilian Nickel, Lorenzo Rosasco, Tomaso Poggio

TL;DR本文提出一种名为 HoloE 的方法用于学习整个 knowledge graph 的综合空间表示，通过循环相关性来创建组合表示，从而在 link prediction 和 relational learning 等方面超越现有技术。

Abstract

Learning embeddings of entities and relations is an efficient and versatile method to perform machine learning on relational data such as knowledge graphs. In this work, we propose holographic embeddings (HolE) to learn compositional vector space representations of entire →

holistic embeddings knowledge graphs link prediction relational learning associative memory

发现论文，激发创造

为链接预测学习层次感知知识图谱嵌入

该研究提出了一种新的知识图谱嵌入模型 ——HAKE，该模型采用极坐标系将实体映射到不同的层次，以模拟语义层次结构，从而在链接预测任务上实现了显著的性能提升。

Nov, 2019

低维双曲知识图谱嵌入

本文介绍了一种超几何知识图嵌入方法，可以同时捕捉层次结构和逻辑模式，并在现有方法的基础上提高了平均倒数排名（MRR）达 6.1%。

May, 2020

使用双曲线知识图嵌入进行知识关联

本论文提出一种基于超球面嵌入的超球面关系图神经网络模型，通过实体对齐和类型推断等任务，捕捉知识图谱中的关系，并证明该模型具有有效性和效率。

Oct, 2020

基于知识图谱逻辑查询的自监督双曲线表示

本文介绍了利用 Hyperboloid Embeddings 学习知识图谱表示的自监督逻辑查询推理方法，并将其应用于真实世界数据集和异常检测任务中，取得了显著的性能提升。

Dec, 2020

知识图谱的复杂和全息嵌入：一种比较

本文比较了两种最先进的知识图谱嵌入模型 ComplEx 和 HolE，分析了它们结果不一致的原因，并讨论了它们的优缺点及应用情况。

Jul, 2017

知识超图：超越二元关系的预测

本文提出了两种基于嵌入的方法 HSimplE 和 HypE，直接处理知识超图中的关系，以解决链接预测问题，此外还开发了公共数据集、基准测试并进行了实验，证明所提出的模型比基准测试更 effective。

Jun, 2019

超几何知识图嵌入的 3D 旋转和平移

该研究介绍了一种叫做 3H-TH 的新型模型，可以同时捕捉对称、反对称、倒置、交换组合、非交换组合、层级和多重性等许多关系模式，实验结果表明，在低维空间中，该模型在精度、层级属性和其他关系模式方面优于现有的最先进模型，但在高维空间中表现相似。

May, 2023

在几何代数中的知识图谱嵌入

本论文提出了一种基于几何代数的知识图谱嵌入框架 GeomE，利用多向量表示和几何积模拟实体和关系，具有对称、反对称、逆序和复合等多种关系模式，具有良好的泛化能力，能在多个基准知识图谱上优于现有的最先进模型，适用于链接预测。

Oct, 2020

通过关系原型实体利用知识图谱中的全局语义相似性

本文提出了一种新颖的知识图谱嵌入方法，引入了一组虚拟的关系原型实体来表示连接同一关系的头尾实体的原型，通过将实体的嵌入与其关联的原型的嵌入靠近，有效鼓励了由同一关系连接的可能在知识图谱中相距较远的实体的全局语义相似性，并在实体对齐和知识图谱完成任务上显著优于最新的现有方法。

Jun, 2022

HyperKG：基于双曲空间的知识图谱嵌入用于知识库补全

本文提出 HyperKG，一个使用超几何空间来更好地反映知识库的拓扑性质，从而提高知识库完成任务性能的模型，并在各种链接预测数据集中验证了该模型的有效性。

Aug, 2019