Sep, 2019

从词嵌入解释知识图谱关系表达

HTML
PDF
TL;DR研究利用词嵌入的理论，将知识图谱关系分为三种类型，并为每种类型导出其表示法的明确要求，以了解知识图谱数据的潜在结构如何被不同表达方法所捕捉。
发现论文，激发创造
  • 知识图谱概论：表示、获取与应用

    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

  • TransEdge: 面向知识图谱的关系上下文嵌入翻译

    本文提出了一种基于边的嵌入模型TransEdge，通过上下文化的方式对知识图谱中的关系进行表示，取得了优秀的性能表现，在基于嵌入的实体对齐方面达到了最好的结果。

    Apr, 2020

  • 知识图谱嵌入和可解释人工智能

    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

  • RelWalk：一种基于潜变量模型的知识图谱嵌入方法

    本文通过扩展随机游走模型将其用于知识图谱嵌入中，提出了一种衡量实体之间关系强度的评分函数，并给出了该方法的理论分析和学习目标。在实验中，我们使用了该方法对FB15K237和WN18RR数据集进行了准确的嵌入学习，为该理论提供了实证支持。

    Jan, 2021

  • NodePiece：大规模知识图谱的组合和参数高效表示

    本文通过借鉴NLP中常用的次词元素处理技术，探索更具参数效率的节点嵌入策略，提出了一种基于锚节点的方法NodePiece，构建了一个定长的子实体单元词汇表，展示了该方法的性能在节点分类、链路预测和关系预测任务中具有竞争力且参数更少。

    Jun, 2021

  • 学习实体和关系的表征

    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

  • 探索词语和关系的理论表示

    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

  • 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

  • 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

  • 知识图谱嵌入: 概述

    本文综述了知识图谱完成中的当前研究状态，特别关注了知识图谱嵌入设计的两个主要分支：基于距离的方法和基于语义匹配的方法，并探讨了与最近提出的模型之间的关联及其背后的趋势，最后讨论了利用预训练语言模型和实体关系的文本描述相结合进行知识图谱完成的新方法。

    Sep, 2023