ACLAug, 2018

基于胶囊网络的知识图谱补全与搜索个性化嵌入模型

PDF
TL;DR本文提出了一种名为 CapsE 的嵌入模型，探索了胶囊网络来模拟关系三元组（主体、关系、客体），该模型通过卷积层将三列矩阵表示的关系三元组映射为胶囊并计算得分，测试结果表明在 WN18RR 和 FB15k-237 数据集上表现优于之前的嵌入模型，而且在 SEARCH17 中也优于强化搜索个性化的基线模型。
embedding modelcapserelationship triplesconvolution layerknowledge graph completion
发现论文，激发创造
  • 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

  • 基于动态路由的关注胶囊网络用于关系提取

    本研究提出了一种基于胶囊网络和注意力机制的神经网络方法，用于关系提取的多实例多标签学习，实验结果表明该方法显著提高了关系提取的精度，尤其是多实体关系提取。

    Dec, 2018

  • 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

  • 利用嵌入式知识图谱进行链接预测

    本文介绍了基于嵌入式知识图谱网络的知识库完成方法，通过使用端到端反向传播训练，可以将大型知识库压缩成优化的版本，并在知识库完成基准测试中取得了最新的最佳结果。

    Nov, 2016

  • ProjE：用于知识图谱完成的嵌入投影

    本文介绍了 ProjE, 通过学习知识图谱中的实体和边缘的联合嵌入，以及对标准损失函数进行微妙但重要的更改，ProjE 填补了知识图谱中的缺失信息。结果表明，ProjE 使用一个参数大小比现有的 15 种方法中的 11 个方法要小，而且表现比标准数据集上的现有最佳方法好 37％。我们还发现 ProjE 能够通过一项新的事实检查任务准确地确定许多陈述性语句的真实性。

    Nov, 2016

  • 基于上下文增强的实体关系嵌入方法用于知识图谱补全

    提出了一种名为 AggrE 的模型，该模型通过对实体和关系的上下文进行多跳的高效聚合，学习增强上下文的实体和关系嵌入，以完成知识图的补全。实验结果表明，AggrE 模型竞争力强。

    Dec, 2020

  • 知识图谱预测和解释的交互嵌入

    该论文提出一种新的知识图谱嵌入方法 CrossE，该方法利用交叉交互方法生成多个三元组特定的 embedding，并在典型的链接预测任务中取得了最先进的结果，同时更能够生成可靠的解释来支持它的预测。

    Mar, 2019

  • 面向多标签分类的上下文感知胶囊网络

    我们提出了一种改进的胶囊网络架构，包括新的路由权重初始化技术、利用条件随机场利用主要胶囊激活之间的语义关系的改进 CapsNet 设计和基于 Cholesky 变换的相关模块，为多标签分类任务提供了更好的可扩展性。

    Oct, 2018

  • 基于二元和三元嵌入模型的知识库链接预测

    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

  • 二维卷积知识图谱嵌入

    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