不确定性知识图谱嵌入
本文提出了一种基于不确定知识图谱的关系抽取模型,该模型采用多视角推理框架来整合本地上下文和全局知识。实验结果表明,引入不确定知识和多视角推理框架的模型在句子和文档级别关系抽取上都具有竞争性能。
Apr, 2021
BEUrRE 是一种基于不确定性知识图嵌入方法,采用校准概率语义,将实体建模为包含几何形状的盒子,通过有效的交集和体积计算,以及关系转换来捕捉高阶依赖关系,能够在信心预测和事实排序方面显著优于其他基线模型。
Apr, 2021
提出了一种上下文感知的动态知识图谱嵌入方法 (DKGE),该方法利用两个有注意力机制的图卷积网络、一种门控策略和翻译操作,通过双重表示 (知识嵌入和上下文元素嵌入) 联合模型化实体和关系及其环境,以快速获取更新的知识图谱嵌入,同时支持从头开始的知识图谱嵌入。实验证明 DKGE 在动态环境下具有良好的有效性和效率。
Oct, 2019
本文综述了知识图谱完成中的当前研究状态,特别关注了知识图谱嵌入设计的两个主要分支:基于距离的方法和基于语义匹配的方法,并探讨了与最近提出的模型之间的关联及其背后的趋势,最后讨论了利用预训练语言模型和实体关系的文本描述相结合进行知识图谱完成的新方法。
Sep, 2023
知识图谱嵌入(Knowledge graph embedding,KGE)通过将知识图谱(knowledge graph,KG)中的实体和关系表示为连续向量空间,可以用于预测缺失的三元组,实现知识图谱补全。然而,KGE 模型通常只能简要地学习三元组数据的结构关联,并且在真实世界的知识图谱中会被无关的模式和噪声链接误导。为了解决这个问题,我们在因果关系和嵌入解缠方面构建了一种新的 KGE 范式。我们进一步提出了一种因果增强的知识图谱嵌入(CausE)框架。CausE 应用因果干预来估计混杂嵌入的因果效应,并设计了新的训练目标来进行稳定的预测。实验结果表明,CausE 能够胜过基线模型,实现最先进的知识图谱补全性能。我们在指定的 URL 中发布了我们的代码。
Jul, 2023
本文提出了一种新的方法,通过迭代学习来注入规则并学习表示以充分利用规则和嵌入,取得了高效性和可扩展性的良好平衡,并通过两个公共数据集的评估,优于当前最先进方法,提高了均值倒数排名(MRR)2.7%和 4.3%。
Jan, 2023
本研究论文介绍了一种新颖的模型,将知识图谱中的实体和关系编码为低维向量空间,并将上下文信息和字面信息融入到实体和关系嵌入中,使用图卷积网络进行建模,通过置信度和相关性度量评估上下文信息的重要性,并通过字面信息的表示来计算相关性度量。我们在两个常用基准数据集上进行了全面的实验证实以验证模型的性能。
Dec, 2023
本论文提出了一种基于几何代数的知识图谱嵌入框架 GeomE,利用多向量表示和几何积模拟实体和关系,具有对称、反对称、逆序和复合等多种关系模式,具有良好的泛化能力,能在多个基准知识图谱上优于现有的最先进模型,适用于链接预测。
Oct, 2020
知识图谱是一个基于图形的数据结构,用于表示世界的事实,其中节点表示现实世界的实体或抽象概念,边表示实体之间的关系。知识图谱嵌入通过在低维向量空间中表示实体和关系来捕捉它们之间的语义关系。本文讨论了基于翻译和神经网络的嵌入模型,它们根据语义属性、评分函数和架构的不同而有所区别,并进一步讨论了在一些使用深度学习模型和利用社交媒体数据的领域中应用知识图谱。
Apr, 2024