AAAINov, 2019

InteractE: 通过增加特征交互来改进基于卷积的知识图谱嵌入

PDF
TL;DR本文提出 InteractE 方法，通过增加特征间的交互来提高链接预测性能，并在 FB15k-237、WN18RR 和 YAGO3-10 数据集上取得了优异的表现，相较于 ConvE，InteractE 在 FB15k-237、WN18RR 和 YAGO3-10 数据集上的 MRR 分数分别提高了 9%，7.5% 和 23%。
knowledge graphmissing linksentity embeddingsrelation embeddingslink prediction
发现论文，激发创造
  • 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

  • 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

  • 知识图谱预测和解释的交互嵌入

    该论文提出一种新的知识图谱嵌入方法 CrossE，该方法利用交叉交互方法生成多个三元组特定的 embedding，并在典型的链接预测任务中取得了最先进的结果，同时更能够生成可靠的解释来支持它的预测。

    Mar, 2019

  • 卷积复杂知识图谱嵌入

    本研究探讨了学习知识图谱连续向量表示以预测缺失链接的问题，并提出一种称为 ConEx 的新方法，通过二维卷积和共轭内积的复数值嵌入向量来推断缺失链接，并证明其在各种基准数据集上均优于 RotatE、QuatE 和 TuckER 等现有方法的表现。

    Aug, 2020

  • ConvD：增强动态卷积嵌入的知识图谱补全

    本文提出了一种新颖的动态卷积嵌入模型 ConvD，用于知识图谱补全，并通过将关系嵌入重塑为多个内部卷积核，改善传统卷积嵌入模型的外部卷积核，有效增强了关系嵌入与实体嵌入之间的特征交互，进一步提高了模型的表达能力。通过广泛的实验证明，我们提出的模型在各种数据集上始终优于最先进的基线方法，平均改进范围从 11.30% 到 16.92%。消融实验证实了 ConvD 模型的每个组件模块的有效性。

    Dec, 2023

  • 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

  • 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

    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。

    Jun, 2019

  • HyCubE: 高效知识超图 3D 循环卷积嵌入

    通过设计一种新颖的三维循环卷积神经网络和引入交替掩膜堆叠策略，本文提出了一种特征交互和提取增强的三维循环卷积嵌入模型 HyCubE，实现了高效 n 元知识超图嵌入，并通过自适应调整三维循环卷积核大小和统一嵌入实体位置信息，在模型性能和效率之间取得更好的平衡。同时，基于实体掩膜机制使用了 1-N 多线性评分来进一步加速模型训练效率。实验结果表明，在所有数据集上，HyCubE 始终优于最先进的基准方法，平均改进了 4.08% 至 10.77%，最大改进了 21.16%。值得称赞的是，与最新的基准方法相比，HyCubE 的速度平均提高了 7.55 倍，内存使用率平均减少了 77.02%。

    Feb, 2024

  • 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

  • 利用卷积神经网络捕获实体链接的语义相似性

    使用卷积神经网络对实体链接中的上下文信息进行建模，以获取语义对应关系，结合稀疏线性模型，实现了多种实体链接数据集的最佳结果。

    Apr, 2016