二维卷积知识图谱嵌入

AAAIJul, 2017

Convolutional 2D Knowledge Graph Embeddings

Tim Dettmers, Pasquale Minervini, Pontus Stenetorp, Sebastian Riedel

TL;DR本研究设计了一种多层卷积网络模型 ConvE 用于知识图谱的链接预测，针对多种常见数据集进行了实验，获得了与 DistMult 和 R-GCN 相媲美的性能，极大提高了参数效率，并发现简单基于规则的模型可以获得 WN18 和 FB15k 数据集的最优效果

Abstract

link prediction for knowledge graphs is the task of predicting missing relationships between entities. Previous work on link prediction has focused on shallow, fast models which can scale to large knowledge graph

link prediction multi-layer convolutional network state-of-the-art results parameter efficiency test set leakage

发现论文，激发创造

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

InteractE: 通过增加特征交互来改进基于卷积的知识图谱嵌入

本文提出 InteractE 方法，通过增加特征间的交互来提高链接预测性能，并在 FB15k-237、WN18RR 和 YAGO3-10 数据集上取得了优异的表现，相较于 ConvE，InteractE 在 FB15k-237、WN18RR 和 YAGO3-10 数据集上的 MRR 分数分别提高了 9%，7.5% 和 23%。

Nov, 2019

卷积复杂知识图谱嵌入

本研究探讨了学习知识图谱连续向量表示以预测缺失链接的问题，并提出一种称为 ConEx 的新方法，通过二维卷积和共轭内积的复数值嵌入向量来推断缺失链接，并证明其在各种基准数据集上均优于 RotatE、QuatE 和 TuckER 等现有方法的表现。

Aug, 2020

基于卷积的知识图谱嵌入的多关系建模

本研究提出了一种利用卷积神经网络和注意力机制解决多关系表示学习中多重关系语义连接问题的模型 ConvMR，我们使用 FB15k-237 和 WN18RR 数据集进行实验，结果表明该模型能够显著提高平均 Rank 和处理不常见实体的效率。

Oct, 2022

用图卷积网络建模关系型数据

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%)。

Mar, 2017

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

在知识图谱中学习基于注意力机制的嵌入向量以预测关系

该研究论文提出了基于注意力机制的特征嵌入方法，能有效地捕捉到三元组周边复杂和隐式的信息，并在多个数据集上相对于现有方法实现了显著的性能提升。

Jun, 2019

基于卷积神经网络的知识库补全新嵌入模型

本文提出了一种名为 ConvKB 的嵌入模型，通过卷积神经网络来捕获知识库中实体和关系之间的全局关系和转换特征，并在两个基准数据集上实现了比以前最先进的嵌入模型更好的链接预测性能。

Dec, 2017

用于知识库补全的端到端结构感知卷积网络

本文中，我们提出了一种新颖的结构感知卷积网络 (SACN)，它综合了 GCN 和 ConvE 两种方法，其中，WGCN 使用可学习的权重来聚合邻居节点信息，实现了更准确的图节点嵌入表示；而 Conv-TransE 则使得 ConvE 具有了一定的可解释性，并保持了 ConvE 的预测准确性。我们在标准数据集 FB15k-237 和 WN18RR 上进行了实验，结果表明，与最先进的 ConvE 相比，我们的方法 HITS@1、HITS@3 和 HITS@10 指标上分别提高了 10% 左右。

Nov, 2018

ConvD：增强动态卷积嵌入的知识图谱补全

本文提出了一种新颖的动态卷积嵌入模型 ConvD，用于知识图谱补全，并通过将关系嵌入重塑为多个内部卷积核，改善传统卷积嵌入模型的外部卷积核，有效增强了关系嵌入与实体嵌入之间的特征交互，进一步提高了模型的表达能力。通过广泛的实验证明，我们提出的模型在各种数据集上始终优于最先进的基线方法，平均改进范围从 11.30% 到 16.92%。消融实验证实了 ConvD 模型的每个组件模块的有效性。

Dec, 2023