逻辑规则支持的知识图谱嵌入
本文提出了一种新颖的方法,将知识三元组和逻辑规则整合起来,通过有序关系在连续的低维向量空间中对实体和关系类型进行编码,同时利用逻辑规则的传递性和反对称性,来实现知识表示的学习。通过实验证明,该模型在知识图谱完成任务方面显著优于其他基线模型,表明该模型可以捕获知识图谱中的传递性和反对称性信息。
Feb, 2017
本文提出了一个名为 BioGRER 的方法,该方法综合了知识图谱嵌入和逻辑规则,以改进生物医学知识图谱的质量,并在 COVID-19 知识图谱上获得了有竞争力的结果。
Dec, 2020
本文提出了一种高效的基于关联规则的方法,将实体元组嵌入映射到近似布尔空间中,通过从 WordNet 中进行的关联规则挖掘来鼓励关系嵌入上的部分排序,以实现自动化知识库的构建。通过引入少量的常识规则,相较于矩阵分解基准方法,实现平均精度的 2 个百分点的提高,并观察到运行时间几乎没有增加。
Jun, 2016
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
本文提出了一种名为 RulE 的框架,它融合了元素、关系和逻辑规则。通过在统一嵌入空间中学习每个逻辑规则的嵌入向量,RulE 可以以软方式进行逻辑推断,并为每个规则分配置信度分数,从而提高知识图嵌入的泛化性能。通过对多个基准知识图进行实验,RulE 的有效性得到了证明。
Oct, 2022
本文提出了 IterE 框架,通过迭代学习嵌入和规则,将嵌入和规则学习相结合并互相补充。使用 IterE 进行的实验显示出,迭代学习嵌入和规则可以同时提高知识库中稀疏度实体的嵌入质量和链接预测结果,而且,在规则学习效率和规则质量方面都优于 AMIE+。
Mar, 2019
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
本研究探讨在生物医学领域的知识图谱中,如何通过引入逻辑规则来增强知识图谱嵌入表示,提高关系建模的效果。具体地,采用关系推理网络(R2N)作为知识图谱嵌入技术的补充,在 PharmKG 数据集上进行对比实验,并进行消融分析。结果表明,该方法显著优于现有技术,并能根据不同的选择标准和规则数量产生不同效果。
Mar, 2023