知识图谱链接预测的 SimplE 嵌入
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
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
TuckER 是一种基于 Tucker 分解的二元张量表示的线性模型,在标准的链接预测数据集上表现优于其他最先进的模型,并作为更复杂模型的强有力基准,是一种完全表达模型,可以作为先前引入的一些线性模型的特例来看待。
Jan, 2019
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
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
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
Jul, 2017
本文考虑了基于时间的链接预测问题,研究了基于矩阵和张量的方法,并探讨了在具有不同周期结构的数据中利用张量分解的优点。通过多个实验,证明了这两种方法对于时间链接预测具有很好的效果。
May, 2010
本文提出了一种结合了高容量模型和简单模型的方法 Tatec,该方法使用不同种类的正则化和组合策略,从而在四个文献基准测试中取得了最先进的结果,实现了在不同类型关系上都能优于现有方法的内源链接预测问题解决方案。
Jun, 2015
该研究比较短缺实际的现有图谱的 16 种最新方法的有效性和效率,并考虑到一种基于规则的基线,提出了具有可扩展性的维度以评估嵌入 LP 方法的介绍。
Feb, 2020