Jan, 2019

TuckER：用于知识图谱补全的张量分解

PDF
TL;DRTuckER 是一种基于 Tucker 分解的二元张量表示的线性模型，在标准的链接预测数据集上表现优于其他最先进的模型，并作为更复杂模型的强有力基准，是一种完全表达模型，可以作为先前引入的一些线性模型的特例来看待。
发现论文，激发创造
  • 知识增强的张量分解在知识图谱事实预测中的应用

    本文提出了一族新的方法，将知识图谱嵌入到实值张量中，使用这些基于张量的嵌入可以更加准确地预测新事实。通过实证评估，证明了这些张量分解模型的有效性和可靠性。

    Feb, 2019

  • 基于复杂张量分解的知识图谱补全

    本文介绍了一种基于复杂嵌入的统计关系学习方法，在实现表达能力和时间 / 空间复杂度之间权衡的同时，探索了这种复杂嵌入和酉对角化之间的联系，提出的嵌入方法仅涉及共轭内积，具有良好的可扩展性和高准确率。

    Feb, 2017

  • 时间知识库完成的张量分解

    提出一种基于四阶张量的正则化算法和 ComplEx 扩展，针对具有时间限制的链接预测问题，如 (US，has president，？，2012)，并提出了一个大于之前基准的知识库完成的新数据集，用于评估时态和不时态链接预测方法。

    Apr, 2020

  • 利用矩阵和张量分解进行时序链接预测

    本文考虑了基于时间的链接预测问题，研究了基于矩阵和张量的方法，并探讨了在具有不同周期结构的数据中利用张量分解的优点。通过多个实验，证明了这两种方法对于时间链接预测具有很好的效果。

    May, 2010

  • NePTuNe: 基于神经网络的 Tucker 网络用于知识图谱补全

    NePTuNe 模型是一种结合了张量分解和深度学习的知识图谱补全方法，其在 FB15K-237 数据集上表现卓越，在 WN18RR 数据集上表现接近最佳。

    Apr, 2021

  • 利用低秩和模型无关表示进行时间知识图谱推理

    介绍了一种基于张量分解的时间知识图谱补全方法 (Time-LowFER)，并提出了一种模型无关的、更广义的时间特征表示方法，实验表明该方法的表现与当前先进的语义匹配模型相当或更好。

    Apr, 2022

  • 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

  • 用于多关系链接预测的关系 Tucker 分解

    本研究基于关系型 Tucker3 分解，探究了多关系链接预测中的知识图谱嵌入模型，使用 RT 分解作为工具来探讨自动学习稀疏模式是否可行并且是否可以超越使用相同数量参数的稀疏模型。

    Feb, 2019

  • 知识图谱链接预测的 SimplE 嵌入

    本研究介绍了 SimplE 算法，通过它可以更好地学习知识图谱中实体的表示方式，从而提高链路预测准确度。

    Feb, 2018

  • 一种基于变分推断的贝叶斯张量分解模型用于链接预测

    通过 VB 推断技术对单个和耦合张量分解模型进行全贝叶斯推断，有效地解决了缺失链接预测问题。

    Sep, 2014