ACLJun, 2019

在知识图谱中学习基于注意力机制的嵌入向量以预测关系

PDF
TL;DR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。
knowledge graphknowledge base completionconvolutional neural networkattention-based feature embeddingmultihop relations
发现论文，激发创造
  • 超网络知识图谱嵌入

    本文提出一种基于超网络结构的张量分解方法，用于实现知识图谱中链接预测任务，取得了比 ConvE 和所有以前的方法更好的性能表现，同时能够作为张量分解模型的一种简化（相比较于卷积神经网络方法）而得到推广。

    Aug, 2018

  • 基于卷积神经网络的知识库补全新嵌入模型

    本文提出了一种名为 ConvKB 的嵌入模型，通过卷积神经网络来捕获知识库中实体和关系之间的全局关系和转换特征，并在两个基准数据集上实现了比以前最先进的嵌入模型更好的链接预测性能。

    Dec, 2017

  • 基于卷积的知识图谱嵌入的多关系建模

    本研究提出了一种利用卷积神经网络和注意力机制解决多关系表示学习中多重关系语义连接问题的模型 ConvMR，我们使用 FB15k-237 和 WN18RR 数据集进行实验，结果表明该模型能够显著提高平均 Rank 和处理不常见实体的效率。

    Oct, 2022

  • 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

  • 多模式学习基于注意力机制的知识图谱关系预测

    本文提出了一种基于注意力机制、利用传递路径信息和局部语义的多模式嵌入模型（ÆMP），用于学习知识图谱中实体和关系的语境化表示，并在多个知识图谱基准上获得了大幅度的预测性能提升。

    Jun, 2022

  • 基于结构和文本嵌入的知识图谱补全

    在本研究中，我们提出了一种关系预测模型，它利用了知识图中的文本和结构信息，并结合了步行式嵌入和语言模型嵌入来有效地表示节点。通过在一个广泛使用的数据集上进行评估，我们证明了我们的模型在关系预测任务中取得了有竞争力的结果。

    Apr, 2024

  • 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循环跳跃网络的知识图谱嵌入方法，能够高效地捕获实体之间长期关系，特别适用于跨知识图谱嵌入和实体对齐等任务，在实验中达到当前最优水平。

    May, 2019

  • 基于三元组 BERT 网络的知识图谱精化

    本文利用三元组网络和基于 transformer 的语言模型，采用信息聚类方式对知识图谱中的实体或关系进行 embedding，提升关系预测准确性。通过在多个基准知识图谱上的 triplet 分类和关系预测任务的表现验证了 GilBERT 方法的优越性。

    Nov, 2022

  • 二维卷积知识图谱嵌入

    本研究设计了一种多层卷积网络模型 ConvE 用于知识图谱的链接预测，针对多种常见数据集进行了实验，获得了与 DistMult 和 R-GCN 相媲美的性能，极大提高了参数效率，并发现简单基于规则的模型可以获得 WN18 和 FB15k 数据集的最优效果

    Jul, 2017