在知识图谱中学习利用长期关系依赖
本文提出了一种基于嵌入模型的一次性关系学习框架,将已有的知识和一跳图结构相结合,来预测在只有一个训练样例的情况下的新事实,并通过实验证明,在新关系预测和嵌入模型训练上,该模型具有巨大的性能优势。
Aug, 2018
该研究论文提出了基于注意力机制的特征嵌入方法,能有效地捕捉到三元组周边复杂和隐式的信息,并在多个数据集上相对于现有方法实现了显著的性能提升。
Jun, 2019
本文综述了基于图神经网络的知识感知深度推荐系统的现状和发展方向,重点讨论了核心组件 —— 图嵌入模块,以及它们如何解决实际推荐问题,例如规模扩展,冷启动等,并总结了常用的基准数据集、评估指标和开源代码。
Mar, 2020
本文提出了一种新颖的知识图谱嵌入方法,引入了一组虚拟的关系原型实体来表示连接同一关系的头尾实体的原型,通过将实体的嵌入与其关联的原型的嵌入靠近,有效鼓励了由同一关系连接的可能在知识图谱中相距较远的实体的全局语义相似性,并在实体对齐和知识图谱完成任务上显著优于最新的现有方法。
Jun, 2022
本文研究了基于时间的知识图谱中的联结预测问题,提出一种使用循环神经网络和潜在因式分解相结合的方法,以学习具有时间感知的关系类型表示,以解决现实世界知识图谱中稀疏性和异质性等问题,并在四个时间知识图谱数据集上进行了实验验证。
Sep, 2018
本研究提出了一个新型知识图谱嵌入模型,实现快速学习和传输新的知识。通过使用掩码知识图自编码器进行嵌入学习和更新,并采用嵌入传输策略和嵌入规则化方法,避免灾难性遗忘。实验证明,该模型在生命周期嵌入与归纳嵌入方面表现优于现有模型。
Nov, 2022
本文介绍了基于图神经网络和知识图谱的学习方法,探讨了路径传播中关键因素,并提出了一种自适应的传播路径方法,通过过滤不相关的实体同时保留有前途的目标,实现了更深层次的信息抓取,最终获得了在归纳推理中领先的效果。
May, 2022
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