AAAINov, 2018

用于知识库补全的端到端结构感知卷积网络

PDF
TL;DR本文中，我们提出了一种新颖的结构感知卷积网络 (SACN)，它综合了 GCN 和 ConvE 两种方法，其中，WGCN 使用可学习的权重来聚合邻居节点信息，实现了更准确的图节点嵌入表示；而 Conv-TransE 则使得 ConvE 具有了一定的可解释性，并保持了 ConvE 的预测准确性。我们在标准数据集 FB15k-237 和 WN18RR 上进行了实验，结果表明，与最先进的 ConvE 相比，我们的方法 HITS@1、HITS@3 和 HITS@10 指标上分别提高了 10% 左右。
发现论文，激发创造
  • 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

  • 自注意力增强的图卷积网络：结构学习和节点嵌入

    本研究提出了一种名为 GCN-SA 的新型图学习框架，它具有出色的节点级表示学习的泛化能力，并且通过自注意机制和改进的转换器块实现了对长程依赖关系的捕捉，从而使其能够在具有不同程度同质性的图上进行表示学习。

    Mar, 2024

  • 用于句法感知神经机器翻译的图卷积编码器

    这篇研究论文介绍了一种简单有效的方法来将句法结构融入到神经注意力编码解码模型中，以实现机器翻译。文中使用了预测的源句子句法依赖树，用于生成敏感于句法周边的单词表示，以达到最佳效果。研究的实验结果表明，在英德翻译和英捷翻译方面的所有设置中，与其不考虑语法结构的版本相比，该方法均有显著的改善。

    Apr, 2017

  • 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

  • 知识图谱补全中的图卷积网络再思考

    本文通过建立变体研究了基于 Graph Convolutional Networks 的知识图谱完成模型，在实验中发现了与预期相反的图结构建模并不对模型性能产生显著影响，而实体表示的转换是改善性能的关键因素。作者基于此提出了 LTE-KGE 框架，通过线性转换实体嵌入向现有的 KGE 模型中添加 GCNs 模块以达到类似的性能提升。实验结果表明，与 GCN-based KGC 方法相比，LTE-KGE 模型在性能上有类似的提升，同时更具计算效率。因此，本文表明 GCNs 对于 KGC 并不必要，新型基于 GCNs 的 KGC 模型需要进行更多的消融研究来验证其有效性。

    Feb, 2022

  • 基于语义 - 结构注意力增强的图卷积网络的节点分类

    通过引入语义 - 结构注意力增强图卷积网络（SSA-GCN），本研究在提取顶点分类性能方面不仅对图结构进行建模，还从无监督特征提取的角度提取通用特征，通过交叉注意力机制整合这些特征，以增强图卷积网络的泛化能力。在 Cora 和 CiteSeer 数据集上的实验证明了我们提出的方法所取得的性能提升，而且在隐私设置下表现出优异的准确性，使其成为图数据分析的坚实有效解决方案。

    Mar, 2024

  • 超网络知识图谱嵌入

    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。

    Aug, 2018

  • PathSAGE: 随机路径采样的空间图注意力神经网络

    本文介绍一种名为 PathSAGE 的模型，它使用 Transformer 编码器聚合从中心节点开始的路径样本，以学习高阶拓扑信息，提高模型的性能，并避免了太深的 GCNs 可能会遇到的 “邻居爆炸” 和 “过度平滑” 问题，同时在归纳学习任务中达到了与最先进模型相当的性能表现。

    Mar, 2022

  • ConstGCN：基于约束传输的图卷积网络用于文档层级关系提取

    本文提出 ConstGCN 模型，利用基于知识的信息传播不需要事先构建图来解决训练和推理之间的图构建鸿沟，性能优于先前的最先进方法。

    Oct, 2022

  • Dynamic GCN：基于骨架动作识别的上下文增强拓扑学习

    本文提出了 Dynamic GCN, 一种基于 Graph Convolutional Networks 的方法，通过引入 Contextencoding Network (CeN) 来自动学习骨架拓扑结构，CeN 是一个轻量级且有效的卷积神经网络，能够嵌入到 GCN 中，该方法在 NTU-RGB+D、NTU-RGB+D 120 和 Skeleton-Kinetics 三个基准测试集上实现了当前的最佳表现。

    Jul, 2020