知识库补全中使用 Bigram 嵌入的因式分解机框架

Apr, 2016

知识库补全中使用 Bigram 嵌入的因式分解机框架

A Factorization Machine Framework for Testing Bigram Embeddings in Knowledgebase Completion

Johannes Welbl, Guillaume Bouchard, Sebastian Riedel

TL;DR本论文研究了基于嵌入式模型的知识库完成方法，探讨了使用灵活的因式分解机模型和多种消融方法的大写字母嵌入表示法。通过实验表明，相对于组合模型，大写字母嵌入表示法在 fb15k237 数据集上有相对的改进。

Abstract

Embedding-based knowledge base completion models have so far mostly combined distributed representations of individual entities or relations to compute truth scores of missing links. Facts can however also be represented using pairwise embeddings, i.e. embeddings for pairs of entities

embedding-based models knowledge base completion flexible factorization machine bigram embeddings entity pairs

发现论文，激发创造

知识增强的张量分解在知识图谱事实预测中的应用

本文提出了一族新的方法，将知识图谱嵌入到实值张量中，使用这些基于张量的嵌入可以更加准确地预测新事实。通过实证评估，证明了这些张量分解模型的有效性和可靠性。

Feb, 2019

基于复杂张量分解的知识图谱补全

本文介绍了一种基于复杂嵌入的统计关系学习方法，在实现表达能力和时间 / 空间复杂度之间权衡的同时，探索了这种复杂嵌入和酉对角化之间的联系，提出的嵌入方法仅涉及共轭内积，具有良好的可扩展性和高准确率。

Feb, 2017

矩阵分解的高效混合维度嵌入

本文提出了两种采用混合维度嵌入的矩阵分解模型，可以采用交替最小二乘法以大规模并行的方式进行优化，并针对用户和项目的流行度偏斜实现了是用稀疏，混合维度或共享嵌入降低参数数量和过度拟合的研究。

May, 2022

知识图谱补全方法的现实重新评估：一项实验研究

本文研究使用嵌入模型进行知识图谱完成和链接预测的问题，发现这些模型在去除不现实的三元组数据后的精度远低于预期，呼吁重新探索有效的方法。

Mar, 2020

基于知识图谱的稀疏特征分解推荐算法

该论文提出了 KGFlex 模型，通过对历史数据的分析，将每个项目特征表示为嵌入，并将用户 - 项目交互建模为与用户相关的项目属性的因式熵驱动组合，从而使用户只能更新他们决策的相关特征，从而中介用户 - 项目预测。

Jul, 2021

知识图谱嵌入的快速线性模型

本文表明，基于词袋 (BoW) 的简单基线学习到出人意料的知识图谱嵌入。通过将知识库补全和问题回答转化为监督分类问题，我们观察到建模实体和关系的共现可以在几分钟的培训时间内获得最先进的性能，使用开源库 fastText。

Oct, 2017

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

实体和关系嵌入模型在知识图谱补全中的调查

本研究是对实体和关系的嵌入模型在知识图谱完善领域的综合调查，总结了标准基准数据集的最新实验结果，并指出了潜在的未来研究方向。

Mar, 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

知识图谱嵌入：概述

本文综述了知识图谱完成中的当前研究状态，特别关注了知识图谱嵌入设计的两个主要分支：基于距离的方法和基于语义匹配的方法，并探讨了与最近提出的模型之间的关联及其背后的趋势，最后讨论了利用预训练语言模型和实体关系的文本描述相结合进行知识图谱完成的新方法。

Sep, 2023