使用简单约束改进知识图谱嵌入

ACLMay, 2018

Improving Knowledge Graph Embedding Using Simple Constraints

Boyang Ding, Quan Wang, Bin Wang, Li Guo

TL;DR本文研究使用非常简单的约束来改进 KG 嵌入的潜力。我们通过在实体表示上施加非负约束条件以及在关系表示上施加近似蕴含约束来改进 KG 嵌入效果，进一步增强了嵌入空间的结构性。实验结果表明，我们的方法简单但惊人的有效，明显且一致地优于竞争对手的基准线。

Abstract

embedding knowledge graphs (KGs) into continuous vector spaces is a focus of current research. Early works performed this task via simple models developed over KG triples. Recent attempts focused on either design

knowledge graphs embedding non-negativity constraints approximate entailment constraints distributed representations

发现论文，激发创造

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

知识图谱嵌入：概述

本文综述了知识图谱完成中的当前研究状态，特别关注了知识图谱嵌入设计的两个主要分支：基于距离的方法和基于语义匹配的方法，并探讨了与最近提出的模型之间的关联及其背后的趋势，最后讨论了利用预训练语言模型和实体关系的文本描述相结合进行知识图谱完成的新方法。

Sep, 2023

在几何代数中的知识图谱嵌入

本论文提出了一种基于几何代数的知识图谱嵌入框架 GeomE，利用多向量表示和几何积模拟实体和关系，具有对称、反对称、逆序和复合等多种关系模式，具有良好的泛化能力，能在多个基准知识图谱上优于现有的最先进模型，适用于链接预测。

Oct, 2020

知识图谱嵌入与文字字面量的调查：哪种模型更好地链接字面量？

本文对考虑包括文本、数字、图像等非结构化信息的 KG 嵌入模型进行了综述和对比，同时在相同条件下对链接预测的不同方法进行了实证评估。

Oct, 2019

通过记忆推理：最近邻居知识图嵌入

本文提出了通过预训练语言模型和 k 近邻的知识图谱嵌入新方法 kNN-KGE，使得 rare 或 emerging entities 更容易被显式地存储，而非隐式存在于模型参数中，实验证明该方法可提高归纳式和传导式链接预测结果，并在只有很少的三元组的低资源情况下获得更好的性能。

Jan, 2022

知识图谱嵌入模型及其应用调查

知识图谱是一个基于图形的数据结构，用于表示世界的事实，其中节点表示现实世界的实体或抽象概念，边表示实体之间的关系。知识图谱嵌入通过在低维向量空间中表示实体和关系来捕捉它们之间的语义关系。本文讨论了基于翻译和神经网络的嵌入模型，它们根据语义属性、评分函数和架构的不同而有所区别，并进一步讨论了在一些使用深度学习模型和利用社交媒体数据的领域中应用知识图谱。

Apr, 2024

预测常识本体的改进表示学习

本文研究了利用学习表示的空间的内在几何结构来实现自动遵守复杂结构约束的本体 (分层和部分有序结构) 学习的最新工作，并探讨了对一种此类模型的两种扩展，旨在提高通识知识表示文本数据的性能。通过混合学习排序关系和非分层知识，以及利用训练数据的部分有序结构找到在配对训练过程中不好执行的嵌入之间的长距离 triplet 约束，我们发现这两种扩展都优于原始的 order-embedding 模型和其他强基线模型。

Aug, 2017

实体对齐的知识图谱嵌入方法：实验评述

本文通过进行第一次统计学分析，对知识图谱中利用嵌入方法进行的实体对齐的流行方法进行了评估，并根据其在不同性能度量和知识图谱特征方面的有效性将其排名。

Mar, 2022

通过弱监督重新利用知识图谱嵌入进行三元组表示

本文提出了一种基于预训练知识图谱嵌入的三元组表示微调方法，利用 Siamese 网络训练，从而在三元组分类和聚类任务中实现了与其他最新技术相比的一致性改进。

Aug, 2022

赋能小规模知识图谱：利用通用知识图谱实现丰富的嵌入策略

通过将小规模专业领域知识图谱与已建立的通用知识图谱进行关联，我们提出了一个框架来丰富领域特定知识图谱的嵌入，以应对大规模知识密集型任务中存在的挑战。实验评估表明，通过与大规模通用知识图谱的链接，采用我们的方法可以显著提升下游任务的性能，Hit@10 指标的提升可达 44%。这一相对未经探索的研究方向可以促使知识图谱在知识密集型任务中更频繁地应用，从而得到更强大、可靠且不那么虚幻的机器学习实现。

May, 2024