COLINGAug, 2017

使用函数关系将分布式嵌入重新适配到知识图谱中

PDF
TL;DR本研究提出了一种 Functional Retrofitting 框架，可扩展目前知识图谱中预先训练的实体表示方法，通过建模成对关系来提高复杂知识图谱上的性能，应用于预测大型健康知识图谱中新的药物 - 疾病治疗对。
knowledge graphsentity representationsfunctional retrofittingpairwise relationshealth knowledge graph
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

  • 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

  • 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

  • 基于结构和文本嵌入的知识图谱补全

    在本研究中，我们提出了一种关系预测模型，它利用了知识图中的文本和结构信息，并结合了步行式嵌入和语言模型嵌入来有效地表示节点。通过在一个广泛使用的数据集上进行评估，我们证明了我们的模型在关系预测任务中取得了有竞争力的结果。

    Apr, 2024

  • 利用图形处理单元进行快速知识图谱补全

    通过使用知识图谱嵌入向量，我们提出了一个高效的 GPU 支持的知识图谱完成框架来获取新的关系，并且我们通过将知识图铺完问题转化为 “可转化为度量空间” 的相似性连接问题，并使用度量空间特性导出公式来快速处理相似性连接问题的方法，来实验性地展示我们的框架能够高效地处理知识图谱完成问题。

    Jul, 2023

  • 在知识图谱中学习利用长期关系依赖

    本文提出了一种基于循环跳跃网络的知识图谱嵌入方法，能够高效地捕获实体之间长期关系，特别适用于跨知识图谱嵌入和实体对齐等任务，在实验中达到当前最优水平。

    May, 2019

  • 学习实体和关系的表征

    本文提出了三种知识图谱表征模型，分别是 HypER、TuckER 和 MuRP，它们都能够自动预测缺失的关系，并且在性能方面不断取得进步。同时，该文还将最新的理论研究成果推广到了知识图谱的领域，探讨了如何在这些模型中编码不同种类的关系。

    Jan, 2022

  • 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

  • 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

  • ExpressivE: 一个用于知识图谱补全的时空功能嵌入

    研究知识图谱的不完整性，并提出了一种旨在解决知识图谱完成中的挑战、同时呈现出直观的图形化解释的 KG 嵌入模型 - ExpressivE。

    Jun, 2022