WSDMMar, 2019

知识图谱预测和解释的交互嵌入

PDF
TL;DR该论文提出一种新的知识图谱嵌入方法 CrossE，该方法利用交叉交互方法生成多个三元组特定的 embedding，并在典型的链接预测任务中取得了最先进的结果，同时更能够生成可靠的解释来支持它的预测。
knowledge graph embeddingcrossover interactionslink predictioninteraction embeddingsexplanations
发现论文，激发创造
  • 利用图嵌入技术匹配不同知识图谱中的实体

    本文探讨了如何在不同的知识图谱之间匹配实体的问题，使用基于分类的方法和 RDF2Vec 图嵌入表示，同时提供用于研究该问题的数据集和实验结果作为未来工作的强基线。

    Mar, 2019

  • CausE: 迈向因果知识图嵌入

    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

  • 知识图谱中关系预测的可解释表示

    该研究提出了一种基于语义相关性子图学习的可解释性表示方法 SEEK，能够提高知识图谱关系预测的性能和解释性。研究评估了 SEEK 在复杂关系预测任务上的表现，并表明了其优于标准学习表示方法。

    Jun, 2023

  • 知识超图：超越二元关系的预测

    本文提出了两种基于嵌入的方法 HSimplE 和 HypE，直接处理知识超图中的关系， 以解决链接预测问题，此外还开发了公共数据集、基准测试并进行了实验，证明所提出的模型比基准测试更 effective。

    Jun, 2019

  • InteractE: 通过增加特征交互来改进基于卷积的知识图谱嵌入

    本文提出 InteractE 方法，通过增加特征间的交互来提高链接预测性能，并在 FB15k-237、WN18RR 和 YAGO3-10 数据集上取得了优异的表现，相较于 ConvE，InteractE 在 FB15k-237、WN18RR 和 YAGO3-10 数据集上的 MRR 分数分别提高了 9%，7.5% 和 23%。

    Nov, 2019

  • 跨语言知识对齐的多语言知识图谱嵌入

    本文提出了一种基于翻译模型的多语言知识图谱嵌入方法 MTransE 来实现跨语言的知识对齐，并采用不同的转化技术和损失函数来生成五种模型，实验证明该方法在跨语言实体匹配和三元组对齐方面取得了很好的效果。

    Nov, 2016

  • KGEx: 通过子图采样和知识蒸馏解释知识图谱嵌入

    KGEx 是一种新颖的后处理方法，通过借鉴替代模型研究来解释知识图嵌入（KGE）中的个别链接预测，并通过训练替代 KGE 模型识别重要的训练三元组，从而提供对于黑盒模型忠实的解释。

    Oct, 2023

  • 灵活翻译的知识图谱嵌入

    本文介绍了知识图谱嵌入的相关研究，提出了一种新的模型 ——TransF，有效地解决了前置模型无法处理的关系问题，并通过基准数据集的链接预测和三元组分类实验，证明了该模型相对于其他前沿模型具有明显的性能提升。

    May, 2015

  • InterHT: 头尾实体交互的知识图谱嵌入

    本文探讨知识图谱嵌入模型中基于距离的方法，在实验结果中展示了两种新颖的方法（InterHT 和 InterHT+），和对比实验结果表明我们的方法在 ogbl-wikikg2 数据集上获得了最佳结果。

    Feb, 2022

  • 基于上下文增强的实体关系嵌入方法用于知识图谱补全

    提出了一种名为 AggrE 的模型，该模型通过对实体和关系的上下文进行多跳的高效聚合，学习增强上下文的实体和关系嵌入，以完成知识图的补全。实验结果表明，AggrE 模型竞争力强。

    Dec, 2020