Oct, 2019

TransGCN: 将转化假设与图卷积网络相结合，用于链接预测

PDF
TL;DR本文提出一种名为 TransGCN 的 GCN 框架，同时学习关系和实体嵌入，通过引入对三元组主体、关系和对象之间关系的变换假设，探索了 TransE 和 RotatE 中的旋转假设，在处理知识图谱中异构关系时比 R-GCN 模型参数更少。实验结果表明，此方法在 FB15K-237 和 WN18RR 上优于现有的方法。
发现论文，激发创造
  • ConstGCN：基于约束传输的图卷积网络用于文档层级关系提取

    本文提出 ConstGCN 模型，利用基于知识的信息传播不需要事先构建图来解决训练和推理之间的图构建鸿沟，性能优于先前的最先进方法。

    Oct, 2022

  • 知识图谱补全中的图卷积网络再思考

    本文通过建立变体研究了基于 Graph Convolutional Networks 的知识图谱完成模型，在实验中发现了与预期相反的图结构建模并不对模型性能产生显著影响，而实体表示的转换是改善性能的关键因素。作者基于此提出了 LTE-KGE 框架，通过线性转换实体嵌入向现有的 KGE 模型中添加 GCNs 模块以达到类似的性能提升。实验结果表明，与 GCN-based KGC 方法相比，LTE-KGE 模型在性能上有类似的提升，同时更具计算效率。因此，本文表明 GCNs 对于 KGC 并不必要，新型基于 GCNs 的 KGC 模型需要进行更多的消融研究来验证其有效性。

    Feb, 2022

  • 基于组合的多关系图卷积网络

    本研究提出了 CompGCN，一种新的图卷积框架，可同时嵌入节点和关系，解决了处理多关系图的过度参数化问题，广义了现有的多关系 GCN 方法，取得了节点分类、链接预测和图分类等多个任务的显着优异结果。

    Nov, 2019

  • 基于知识嵌入的图卷积网络

    本研究提出了一种新的框架 -- 基于知识嵌入的图卷积网络 (KE-GCN)，该框架充分利用了复杂图形的丰富结构信息，并针对图的异构性和节点更新问题进行改进，优于具有同类基线方法的表现。

    Jun, 2020

  • TransG：用于知识图谱嵌入的生成式混合模型

    本文提出了一种名为 TransG 的高斯混合模型，用于嵌入具有多种关系语义的知识图谱，并且是第一个可以处理多种关系语义的生成模型。实验结果表明，该模型在知识图谱嵌入方面具有显著的优势。

    Sep, 2015

  • 用图卷积网络建模关系型数据

    我们介绍了关系图卷积网络 (R-GCNs) 并将它们应用于标准的知识库补全任务，包括链接预测和实体分类。R-GCNs 旨在应对实际知识库中高度多关系数据的特点，我们证明了它们作为一个独立模型在实体分类方面的有效性，并进一步证明，通过在关系图中累积多个推理步骤的编码器模型来丰富解码器模型，可以极大地提高因子分解模型 (例如 DistMult) 在链接预测方面的表现 (在 FB15k-237 上的表现提高了 29.8%)。

    Mar, 2017

  • 基于图上上下文建模的正交关系变换用于知识图谱嵌入

    本文提出了一种新的基于转化距离的知识图谱链接预测方法，通过将 RotatE 从二维复杂域扩展到高维空间以及利用两个有向关系的上下文表示方法，有效地提高了难以预测的 N-1、1-N 和 N-N 情形的预测精度。实验结果表明，与基线 RotatE 相比，该方法在两个基准数据集上表现得更好，特别是在连接节点数量较高的数据集（FB15k-237）上。

    Nov, 2019

  • 灵活翻译的知识图谱嵌入

    本文介绍了知识图谱嵌入的相关研究，提出了一种新的模型 ——TransF，有效地解决了前置模型无法处理的关系问题，并通过基准数据集的链接预测和三元组分类实验，证明了该模型相对于其他前沿模型具有明显的性能提升。

    May, 2015

  • 测试时图变换增强图表示学习

    本文提出了一种名为 GTrans 的图形变换框架，通过在测试时自适应和改进图形数据，从数据角度来解决图神经网络（GNN）所面临的数据质量问题，经实验表明，GTrans 在改善性能方面表现最佳。

    Oct, 2022

  • TranS: 基于转换的知识图谱嵌入与合成关系表示

    本论文提出了一种新颖的基于转移的知识图谱嵌入方法 TranS，使用合成的关系表示法代替传统评分模式中的单一关系向量，以有效和高效地解决相同实体对具有不同关系的复杂情况，实验结果表明，该模型在 ogbl-wikikg2 上实现了最先进的表现。

    Apr, 2022