AAAINov, 2018

基于逻辑关注的邻域聚合算法用于归纳式知识图嵌入

PDF
TL;DR该研究介绍了一种 Logic Attention Network 聚合方式，能够有效处理实际应用中知识图谱不断出现新实体的问题，并在两个知识图谱补全任务中展现出更好的性能。
knowledge graph embeddingneighborhood aggregatorlogic attention networkknowledge graph completioninductive learning
发现论文，激发创造
  • 上下文图注意力用于回答不完整知识图谱中的逻辑查询

    本文提出了一种名为 Contextual Graph Attention（CGA）的多头注意力的端到端端逻辑查询答案模型，使用初始邻域聚合层来生成中心嵌入，利用图注意力机制来处理不同查询路径的不同贡献，并使用 DB18 和 WikiGeo19 数据集进行评估，结果表明，该模型在性能上优于现有的基线模型。

    Sep, 2019

  • 在知识图谱上嵌入逻辑查询

    本研究提出了一种基于低维嵌入空间中的几何运算来有效处理知识图谱中逻辑查询的框架，能够在处理复杂查询时提高时间复杂度，这种方法应用于真实世界数据中能够提供有用的预测能力。

    Jun, 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

  • 带门控多跳邻居聚合的知识图谱对齐网络

    本研究提出了一种名为 AliNet 的知识图谱对齐网络，通过引入远程邻居扩展对应实体的邻域，并采用注意力机制和门控机制，控制了直接邻居和远端邻居信息的整合，进而通过关系损失优化实体表示。在五个实体对齐数据集上的实验证明了 AliNet 的有效性。

    Nov, 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

  • 知识图谱中的归纳逻辑查询回答

    研究使用图神经网络的归纳节点和关系结构表征方法对知识图谱中的新实体进行逻辑推理的方法，并实验发现归纳模型能够在推理时间内对未见节点进行推理，同时可以推广至训练天数 500％大的图表，表现出较高效率和效果平衡的特点。

    Oct, 2022

  • 分散式知識圖譜表示學習

    本文提出了一种去中心化的知识图谱表示学习方法，针对只提供实体关系信息但没有输入特征的情况，通过从实体邻居的嵌入编码实体并设计算法进行知识蒸馏来优化，在实体对齐任务上表现得更好，并在归纳设置下在实体对齐和实体预测任务上优于所有对照实验.

    Oct, 2020

  • 概率逻辑神经网络推理

    该论文提出了一种基于 Markov Logic Network 和知识图谱嵌入方法的概率逻辑神经网络 (pLogicNet) 来推理缺失的三元组，该方法结合了两种技术的优点，并通过多重知识图实验证明了其优越性。

    Jun, 2019

  • 多批次新出现实体归纳知识图谱推理

    本研究提出了一种基于图卷积网络和关系聚合的归纳推理模型，利用自适应关系聚合和反馈注意机制对实体进行编码和更新，并针对新实体的稀疏性问题提出了链接增强策略。实验结果表明该模型在归纳知识图谱推理方面优于现有的基于嵌入、基于行走和基于规则的模型。

    Aug, 2022

  • 利用实体邻居和深度记忆网络的知识图谱嵌入

    本文提出了一种称为实体邻居的新型附加信息，并使用深度记忆网络模型编码邻居信息。通过引入门控机制，结构和邻居的表征被整合成一个联合表征，实现了知识图谱嵌入（KGE）技术中实体表示的最新技术性能。

    Aug, 2018