知识图谱嵌入与文字字面量的调查:哪种模型更好地链接字面量?
本文研究了将实体属性信息加入到已有链接预测模型中的效果,通过 LiteralE 方法,将实体嵌入和属性信息融合,并将其应用到多个基于嵌入的模型上,取得了在标准数据集上的良好表现。
Feb, 2018
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
该研究比较短缺实际的现有图谱的 16 种最新方法的有效性和效率,并考虑到一种基于规则的基线,提出了具有可扩展性的维度以评估嵌入 LP 方法的介绍。
Feb, 2020
本文提出了一组通用预处理算子,可以用于将具有数字、时间、文本和图像信息的知识图谱转换为任何方法可嵌入的形式。在 kgbench 数据集上,使用三种不同的嵌入方法进行实验,结果显示出良好的效果。
Sep, 2023
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
提出了一种用于动物疾病的高效诊断的知识图嵌入模型,该模型可以学习各种类型的文字信息和图结构,并将它们融合成统一的表示,通过门网络将不同类型的实体和节点特征信息融合为统一的向量表示,然后提出了一种自监督学习任务来预训练图结构,并在链接预测任务上击败了最先进模型组成的基线模型。
Aug, 2023
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
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