Mar, 2017

用图卷积网络建模关系型数据

PDF
TL;DR我们介绍了关系图卷积网络 (R-GCNs) 并将它们应用于标准的知识库补全任务，包括链接预测和实体分类。R-GCNs 旨在应对实际知识库中高度多关系数据的特点，我们证明了它们作为一个独立模型在实体分类方面的有效性，并进一步证明，通过在关系图中累积多个推理步骤的编码器模型来丰富解码器模型，可以极大地提高因子分解模型 (例如 DistMult) 在链接预测方面的表现 (在 FB15k-237 上的表现提高了 29.8%)。
发现论文，激发创造
  • 关系图卷积网络：深入探讨

    本文介绍了关系图卷积网络 (RGCN) 的复现，通过使用基准知识图谱数据集上的节点分类和链接预测任务，验证了 RGCN 的正确性。研究人员还介绍了两个更加参数有效的 RGCN 配置。

    Jul, 2021

  • 知识图谱卷积网络用于推荐系统

    本文提出了 Knowledge Graph Convolutional Networks (KGCN) 的方法，通过在知识图谱上挖掘和利用互相关联的属性来有效地捕捉物品之间的相关性，扩展感受野以建模高阶邻近信息，并将邻居信息与偏差相结合计算给定实体的表示，以优化协同过滤型推荐系统的性能。实验结果表明，该方法在电影、图书和音乐推荐的三个数据集上优于强基线算法。

    Mar, 2019

  • 基于知识嵌入的图卷积网络

    本研究提出了一种新的框架 -- 基于知识嵌入的图卷积网络 (KE-GCN)，该框架充分利用了复杂图形的丰富结构信息，并针对图的异构性和节点更新问题进行改进，优于具有同类基线方法的表现。

    Jun, 2020

  • 关系图卷积网络用于情感分析

    我们提出了使用关系图卷积网络（RGCNs）进行情感分析的方法，该方法通过捕捉作为图中节点表示的数据点之间的依赖关系，提供了解释性和灵活性。通过在亚马逊和 Digikala 数据集上使用预训练的语言模型（如 BERT 和 RoBERTa）与 RGCN 架构进行产品评论的情感分析，并评估结果，我们证明了我们方法的有效性。我们的实验证明了 RGCNs 在捕捉情感分析任务的关系信息方面的有效性。

    Apr, 2024

  • 基于组合的多关系图卷积网络

    本研究提出了 CompGCN，一种新的图卷积框架，可同时嵌入节点和关系，解决了处理多关系图的过度参数化问题，广义了现有的多关系 GCN 方法，取得了节点分类、链接预测和图分类等多个任务的显着优异结果。

    Nov, 2019

  • 图修订卷积网络

    提出一种名为图修正卷积网络（GRCN）的框架，通过引入基于 GCN 的图修正模块来预测缺失边并在下游任务中进行边缘权重修正，以避免过度参数化或简单的重新加权观察到的边缘的问题，并且在六个基准数据集上的实验结果表明，与强基准方法相比，GRCN 始终表现出较大的优势，尤其是原始图严重不完整或用于模型训练的标记实例高度稀疏的情况。

    Nov, 2019

  • QAGCN：基于图卷积网络的多关系问题回答系统

    本研究提出了 QAGCN—— 一种简单而有效的使用注意力图卷积网络的多步推理问题答案推导模型，避免了传统复杂推理机制的不稳定性和低至。经过广泛的实验，我们证明了 QAGCN 在几个具有挑战性的数据集上与当前最先进的基于深度强化学习的方法相比非常有竞争力，提高了效率并保持了高的解释性。

    Jun, 2022

  • 关系图卷积神经网络用于多跳推理的比较研究

    本文旨在探索多站点问答任务的 RGCN 模型、图形关系和节点嵌入，并在 WikiHop 数据集上经验性地探讨每个关系、节点类型和嵌入对多站点 QA 性能的影响。

    Oct, 2022

  • 基于 Ripple 知识图谱的卷积神经网络推荐系统

    该论文介绍了一种名为 RKGCN 的端到端深度学习模型，使用知识图来提高模型的可解释性和准确性，能够基于用户偏好提供更个性化、相关性更高的推荐，在三个真实场景的实验结果中优于五个基准模型。

    May, 2023

  • 超网络知识图谱嵌入

    本文提出一种基于超网络结构的张量分解方法，用于实现知识图谱中链接预测任务，取得了比 ConvE 和所有以前的方法更好的性能表现，同时能够作为张量分解模型的一种简化（相比较于卷积神经网络方法）而得到推广。

    Aug, 2018