ACLApr, 2019

知识图谱补全的图模式实体排名模型

PDF
TL;DR本文提出了一种叫做 GRank 的图模式实体排名模型，通过构建一个实体排名系统来评价每个图模式，然后通过在标准数据集上进行链接预测任务来评估该方法，结果表明，它的性能优于 ComplEx 和 TorusE，而且由于输出事实由图形模式描述，该模型易于解释。
knowledge graphsgraph patternsentity rankinglink predictioninterpretability
发现论文，激发创造
  • 基于规则学习的关系模式知识图嵌入的综合研究

    知识图谱嵌入（KGE）是解决知识图谱完成（KGC）任务的有效方法。本文通过对 4 种常见关系模式的性能评估和理论分析，引入了一种无需额外训练的训练无关方法（SPA）来提高 KGE 模型的性能。

    Aug, 2023

  • 实体和关系嵌入模型在知识图谱补全中的调查

    本研究是对实体和关系的嵌入模型在知识图谱完善领域的综合调查，总结了标准基准数据集的最新实验结果，并指出了潜在的未来研究方向。

    Mar, 2017

  • 多个知识图谱嵌入模型上应用注意力的链接预测

    通过结合多种模型的查询表示，用注意力机制选择最合适的模型来回答每个查询，将模型映射到柏克莱球形空间中，以学习关系和结构模式，提供更高的表现力和推断能力，并在各种链接预测基准测试中展开了广泛的实验分析，表明综合模型优于个别模型，包括最先进的方法。

    Feb, 2023

  • 知识图谱规则引导的联合嵌入学习

    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

  • 层次结构注意力路径排名

    本文介绍了一种新的路径模式表示方法 —— 专注路径排序，以及一种利用类型层次结构的实体从数据中发现新路径模式的 RNN 模型，并在 WN18RR 和 FB15k-237 数据集上展示了比现有方法更好的事实预测任务表现。

    May, 2019

  • 基于知识图谱嵌入的个性化推荐系统

    本研究通过将知识图谱嵌入汽车购买 / 销售领域，旨在构建个性化推荐系统，并通过实验证明所提出的方法能够提供与个体用户一致的相关推荐。

    Jul, 2023

  • Entity-Duet 神经排序：理解知识图谱语义在神经信息检索中的作用

    本文提出了实体对神经排序模型（EDRM），将知识图谱引入到神经搜索系统中，将查询和文档表示为它们的单词和实体注释，并通过基于交互式神经排名网络进行排名。我们的实验表明，EDRM 的有效性得到了证明，知识图谱语义显著提高了神经排序模型的泛化能力。

    May, 2018

  • 知识图谱嵌入用于链接预测：一项比较分析

    该研究比较短缺实际的现有图谱的 16 种最新方法的有效性和效率，并考虑到一种基于规则的基线，提出了具有可扩展性的维度以评估嵌入 LP 方法的介绍。

    Feb, 2020

  • 使用关键词组合表格答案在知识库中找到模式

    本文研究如何在知识库中找到高度相关的模式以回答用户给出的关键词查询，并提出了有效的算法来寻找记录相关性，并比较了与已知技术的朴素调整的不同方法。

    Sep, 2014

  • 针对知识图谱的复杂问题回答的查询图排序学习

    本文提出一种基于自注意力机制的空槽匹配模型，用于复杂问题回答的神经查询图排名方法的实证研究，实验结果表明与其他六种排名模型相比，我们的模型在 DBpedia 知识图谱上的两个 QA 数据集中表现更好，并且通过从规模较大的数据集进行迁移学习，可以有效弥补训练数据的不足，进一步提高了模型的表现。

    Nov, 2018