Aug, 2018

超网络知识图谱嵌入

PDF
TL;DR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。
knowledge graphslink predictionconvolutional neural networkhypernetwork architecturetensor factorization
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 用图卷积网络建模关系型数据

    我们介绍了关系图卷积网络 (R-GCNs) 并将它们应用于标准的知识库补全任务，包括链接预测和实体分类。R-GCNs 旨在应对实际知识库中高度多关系数据的特点，我们证明了它们作为一个独立模型在实体分类方面的有效性，并进一步证明，通过在关系图中累积多个推理步骤的编码器模型来丰富解码器模型，可以极大地提高因子分解模型 (例如 DistMult) 在链接预测方面的表现 (在 FB15k-237 上的表现提高了 29.8%)。

    Mar, 2017

  • InteractE: 通过增加特征交互来改进基于卷积的知识图谱嵌入

    本文提出 InteractE 方法，通过增加特征间的交互来提高链接预测性能，并在 FB15k-237、WN18RR 和 YAGO3-10 数据集上取得了优异的表现，相较于 ConvE，InteractE 在 FB15k-237、WN18RR 和 YAGO3-10 数据集上的 MRR 分数分别提高了 9%，7.5% 和 23%。

    Nov, 2019

  • 基于知识嵌入的图卷积网络

    本研究提出了一种新的框架 -- 基于知识嵌入的图卷积网络 (KE-GCN)，该框架充分利用了复杂图形的丰富结构信息，并针对图的异构性和节点更新问题进行改进，优于具有同类基线方法的表现。

    Jun, 2020

  • 知识图谱卷积网络用于推荐系统

    本文提出了 Knowledge Graph Convolutional Networks (KGCN) 的方法，通过在知识图谱上挖掘和利用互相关联的属性来有效地捕捉物品之间的相关性，扩展感受野以建模高阶邻近信息，并将邻居信息与偏差相结合计算给定实体的表示，以优化协同过滤型推荐系统的性能。实验结果表明，该方法在电影、图书和音乐推荐的三个数据集上优于强基线算法。

    Mar, 2019

  • 卷积复杂知识图谱嵌入

    本研究探讨了学习知识图谱连续向量表示以预测缺失链接的问题，并提出一种称为 ConEx 的新方法，通过二维卷积和共轭内积的复数值嵌入向量来推断缺失链接，并证明其在各种基准数据集上均优于 RotatE、QuatE 和 TuckER 等现有方法的表现。

    Aug, 2020