该研究提出了一种理论方法,将词嵌入和知识图谱中的实体及其关系的几何形状联系起来,以便更好地理解它们的语义结构和性能。
Feb, 2022
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
本论文使用预训练的知识图谱嵌入模型,结合文本语料库的句子级上下文表示,实现了较高性能的关系抽取模型,并通过实验验证了该方法的有效性和出色性能。
本文提出了三种知识图谱表征模型,分别是 HypER、TuckER 和 MuRP,它们都能够自动预测缺失的关系,并且在性能方面不断取得进步。同时,该文还将最新的理论研究成果推广到了知识图谱的领域,探讨了如何在这些模型中编码不同种类的关系。
Jan, 2022
知识图谱是一个基于图形的数据结构,用于表示世界的事实,其中节点表示现实世界的实体或抽象概念,边表示实体之间的关系。知识图谱嵌入通过在低维向量空间中表示实体和关系来捕捉它们之间的语义关系。本文讨论了基于翻译和神经网络的嵌入模型,它们根据语义属性、评分函数和架构的不同而有所区别,并进一步讨论了在一些使用深度学习模型和利用社交媒体数据的领域中应用知识图谱。
Apr, 2024
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
本文提出一种新颖的深度架构,以利用实体的结构和文本信息的宝贵信息。其中,注意力模型可以选择所需的相关信息,并应用门控机制将结构和文本的表征集成到一个统一的架构中。实验表明,我们的模型在链接预测和三元组分类任务上的表现优于基线。
Nov, 2016
本文研究嵌入学习,将其扩展到时间、空间和符号的各种认知内存功能,并利用该数学模型推导出许多有关人类记忆的假设。
Nov, 2015
介绍了知识图谱嵌入的概念,生成和评估,总结了用于在向量空间中表示知识的方法,讨论了预测模型的解释性问题和解决方法。
Apr, 2020
本文综合研究了知识图谱的几个方面,包括结构学习、知识获取和补全、时间知识图谱和基于知识图谱的应用,并提出了新的分类和分类法,以促进未来的研究。
Feb, 2020