利用全局图属性预测语义关系
研究了 ConceptNet 定义的由 11 种不同语言的七个语义关系组成的语义网络的特性,发现它们普遍具有稀疏、高度聚集和幂律程度分布等基本属性,少数语言的语义网络由于语法规则的影响出现幂律分布中的峰值。此外,根据语义关系类型和语言不同,语义网络中连接的形成受不同原则的指导,利用语义网络中相似性和互补性知识,可以提高 NLP 算法中的缺失链接推断。
Apr, 2023
通过定量研究 Wordnet 数据库的语义网络结构,我们发现语义链接遵循自组织网络的幂率尺度不变行为,而多义词作为一个单词在语义网络中起到了联系不同含义的作用。包含多义链接会对语义图的组织产生深远的影响,形成了一个小世界,并呈现出高流量聚类(枢纽)代表抽象概念。因此,我们的结果表明,多义词组织具有紧凑和分类的表现形式,并可能解释多义词在各种语言中的普遍存在。
Jun, 2001
该论文提出了一种统一框架,名为 GraphLoG,用于自监督整图表示学习,其除保留本地相似性外,还引入了分层原型来捕捉全局语义簇,进一步发展了一个高效的在线期望最大化算法来学习该模型,并在化学和生物基准数据集上进行了广泛实验,证明所提出的方法的有效性。
Jun, 2021
提出了一种基于元学习的图神经网络 MetaGS 用于跨异构图的少样本语义关系预测,将图结构分解成多个标准化的子图,并使用双视角图神经网络和超原型网络来捕获和聚合不同子图的局部异构信息和全局结构信息,通过元学习来学习和预测新的关系类型,并在三个真实数据集上取得了良好的效果。
Jul, 2022
本研究探讨了分布语义模型中的最近邻搜索,并提出了使用拓扑结构来达到词义感知和确定语义范围的方法,使用相对邻域图来确认语义模型中邻域的拓扑属性,探讨了 PMI 模型、GloVe 模型和 skipgram 模型的相对邻域图。
Jan, 2015
本文提出了一种新的方法来学习基于视觉的单词含义表示,即在底层模态特定的词语表示上建立相互通信的图形,通过模拟人类相似性判断和概念分类来验证其能力,名为分层多模态相似性图嵌入(HM-SGE)。
Sep, 2021
本文介绍了一种基于图的半监督学习方法,利用单词之间的形态、句法和语义关系,从种子集合自动构建广覆盖的词汇表。该方法不受语言约束,可用于 11 种语言,并可通过提供的自动创建词汇表提高词汇标记和依存解析的性能。
Dec, 2015
通过统计分析单词关联、WordNet 和 Roget's thesaurus 三种语义网络的大规模结构,我们发现这些网络均具有小世界结构、幂律分布,而对于语义组织,这种结构不同于传统模型,我们提出一个简单的语义增长模型来解释这一现象并考虑了学习历史变量对行为表现的影响。
Oct, 2001
本文提出了一种基于 Graph Neural Networks 的新型深度学习方法,以解决如何预测大型演化网络中链接出现的问题,特别地,预测与 AI 相关的主题之间的链接。实验结果表明,使用此方法能够有效地识别出节点的吸收和密集子图的合并两种模式,且模型具有较高的预测准确性。
Jan, 2022
本文介绍了一种与现代 NLP 技术(如单词嵌入)特别匹配的概念网路资源 ConceptNet 的新版本,它能够连接自然语言,改善它对单词意义的理解,同时对单词嵌入提供理解和应用,从而提高自然语言应用程序的性能。
Dec, 2016