TuckER 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。
Jan, 2019
本文提出了一种关系主题模型,可以用于文档网络的摘要、链接预测和内部词汇预测等方面,并基于变分方法构建了高效的推断和估计算法。
Sep, 2009
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
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
本文介绍一种基于 Tucker 分解和张量环分解 TE 的通用模型 GETD,该模型可以广义地将张量分解应用到 n 元关系 KBs 中,实现了深入学习各种关系,理论上足够表征任何形式的 KBs,实现在知识库的不同数据集上击败目前已有的最先进技术。
Jul, 2020
本研究基于 Meta Relational Learning 框架,针对在知识图谱上进行少样本关系预测的挑战,通过转移关系特异的元信息来实现优化学习,最终在少样本关系预测基准测试中取得了最先进的成果。
Sep, 2019
通过三个扩展来改进 RTMs 模型,扩大模型表达性和处理不平衡网络结构的能力,实现更加精准的推理和主题发现.
Oct, 2013
本文基于 Kronecker 分解技术提出了一种方法来减少知识图嵌入模型中的参数数量,拥有更好的参数效率、特征重用和对输入噪声的鲁棒性,在基准数据集上进行了一系列实验表明其有效性。
May, 2022
本研究提出使用分层 Tucker 分解压缩循环神经网络,提高了其表示能力且相比于 TT-LSTM、TR-LSTM、BT-LSTM 等现有压缩模型,在不同数据集上同时实现了压缩比和测试准确度的显著提升。
May, 2020
TACO 是一种基于子图的新型方法,通过建模与拓扑结构高度相关的关系之间的语义相关性,将图级特征和边级交互相结合,以同时进行推理的方式,在归纳链接预测任务中实现了卓越的性能。
Sep, 2023