AAAINov, 2017

软规则迭代指导下的知识图谱嵌入

PDF
TL;DR本文提出了一种基于规则引导的嵌入（RUGE）的知识图嵌入新范例，通过迭代查询规则获取软标签进而更新嵌入模型，在 Freebase 和 YAGO 数据集的链接预测实验中，RUGE 模型取得了显著和一致的改善效果。
knowledge graphsembedding learninglogic rulesrule-guided embeddinglink prediction
发现论文，激发创造
  • 基于神经符号化的规则嵌入知识图谱推理

    本文提出了一种名为 RulE 的框架，它融合了元素、关系和逻辑规则。通过在统一嵌入空间中学习每个逻辑规则的嵌入向量，RulE 可以以软方式进行逻辑推断，并为每个规则分配置信度分数，从而提高知识图嵌入的泛化性能。通过对多个基准知识图进行实验，RulE 的有效性得到了证明。

    Oct, 2022

  • 通过联合建模知识图谱和软规则进行知识推理

    本文提出了一种新的方法，通过迭代学习来注入规则并学习表示以充分利用规则和嵌入，取得了高效性和可扩展性的良好平衡，并通过两个公共数据集的评估，优于当前最先进方法，提高了均值倒数排名（MRR）2.7％和 4.3％。

    Jan, 2023

  • 迭代学习知识图谱推理的嵌入和规则

    本文提出了 IterE 框架，通过迭代学习嵌入和规则，将嵌入和规则学习相结合并互相补充。使用 IterE 进行的实验显示出，迭代学习嵌入和规则可以同时提高知识库中稀疏度实体的嵌入质量和链接预测结果，而且，在规则学习效率和规则质量方面都优于 AMIE+。

    Mar, 2019

  • 利用逻辑知识增强生物医学数据的嵌入表示

    本研究探讨在生物医学领域的知识图谱中，如何通过引入逻辑规则来增强知识图谱嵌入表示，提高关系建模的效果。具体地，采用关系推理网络（R2N）作为知识图谱嵌入技术的补充，在 PharmKG 数据集上进行对比实验，并进行消融分析。结果表明，该方法显著优于现有技术，并能根据不同的选择标准和规则数量产生不同效果。

    Mar, 2023

  • 逻辑规则支持的知识图谱嵌入

    该论文提出了一种新的逻辑规则增强的知识图谱嵌入方法，可以与任何基于转换的知识图谱嵌入模型（如 TransE）轻松集成。经过广泛的实验，在链接预测和三元组分类上显示出更好的性能提升。

    Mar, 2019

  • 基于规则导向的知识图谱组合表示学习

    本文提出了一种基于规则和路径的联合嵌入（RPJE）方案，利用逻辑规则的可解释性和准确性、KG 嵌入的泛化性以及路径的补充语义结构。实验结果表明，RPJE 在 KG 完成任务上优于其他最先进的基线，这也证明了利用逻辑规则和路径提高表示学习的准确性和可解释性的优越性。

    Nov, 2019

  • 利用嵌入和逻辑规则对生物医学知识图谱进行精化

    本文提出了一个名为 BioGRER 的方法，该方法综合了知识图谱嵌入和逻辑规则，以改进生物医学知识图谱的质量，并在 COVID-19 知识图谱上获得了有竞争力的结果。

    Dec, 2020

  • 不确定性知识图谱嵌入

    本文提出了一种新颖的不确定性知识图谱嵌入模型 UKGE，其目的是在嵌入空间中保留结构和不确定性信息，该模型通过学习不确定关系事实的置信度得出嵌入，并引入概率软逻辑来推断训练期间未见关系事实的置信度，实验表明 UKGE 在不确定知识的捕捉上非常有效，并在置信度预测，关系事实排名和关系事实分类等任务中表现出色。

    Nov, 2018

  • 知识图谱规则引导的联合嵌入学习

    本研究论文介绍了一种新颖的模型，将知识图谱中的实体和关系编码为低维向量空间，并将上下文信息和字面信息融入到实体和关系嵌入中，使用图卷积网络进行建模，通过置信度和相关性度量评估上下文信息的重要性，并通过字面信息的表示来计算相关性度量。我们在两个常用基准数据集上进行了全面的实验证实以验证模型的性能。

    Dec, 2023

  • 采用规则指导的协作智能体学习知识图谱推理

    本文介绍了一种名为 RuleGuider 的算法，它通过整合高质量的基于符号的规则，为基于游走的代理提供奖励监督，以提高其性能。在基准数据集上的实验结果表明，RuleGuider 提高了基于游走的模型的性能而不失可解释性。

    May, 2020