ACLNov, 2019

基于图上上下文建模的正交关系变换用于知识图谱嵌入

PDF
TL;DR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。
translational distance-basedknowledge graphlink predictionrotatecontext representations
发现论文，激发创造
  • RotatE：基于复杂空间关系旋转的知识图谱嵌入

    本文提出了一种称为 RotatE 的新型知识图谱嵌入方法，它能够模拟和推断各种关系模式，包括对称性 / 反对称性、倒置和组合，并使用一种新颖的自对抗负采样技术有效地训练模型，实验证明它不仅可扩展性好，而且还能够显着地优于现有的最先进模型用于链接预测。

    Feb, 2019

  • SpaceE: 基于实体空间中关系线性变换的知识图谱嵌入

    提出了一种名为 SpaceE 的翻译距离 (KGE) 基于线性变换的方法来模拟知识图谱中实体的关系，它可以很好地建模与非注射关系模式， 并且在许多具有非注射关系的数据集中明显优于现有的 KGE 方法。

    Apr, 2022

  • TransGCN: 将转化假设与图卷积网络相结合，用于链接预测

    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。

    Oct, 2019

  • 多关系投影下的知识图谱嵌入

    TransF 是一种新型的基于翻译的方法，可用于对知识图谱进行嵌入学习和关系预测，在处理具有数千种关系的复杂知识图谱时，具有高效性和鲁棒性，比现有的方法表现更好。

    Jan, 2018

  • 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

  • RatE: 知识图谱补全的关系自适应嵌入

    本文提出了一种基于复杂空间中新颖的加权乘积所构建的关系自适应翻译函数的嵌入方法，即 RatE，该方法具有高度的表达能力，可以有效地缓解嵌入歧义问题，并在四个链接预测基准测试中取得了最先进的性能。

    Oct, 2020

  • 带有投影变换的知识图谱嵌入

    提出了一种基于投影几何的 KGE 模型，支持多重变换类型（包括翻转，反射，平移，旋转和相似变换），旨在解决多关系型知识图谱在邻域中存在多个子图结构的问题，并在几个广泛使用的链接预测基准测试中表现出优越性。

    Jun, 2020

  • 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

  • 知识图谱嵌入的分块对角正交关系与矩阵实体

    通过使用矩阵表示实体和使用黎曼优化获得分块对角正交矩阵表示关系，我们引入了一种新颖的知识图谱嵌入模型 OrthogonalE，提高了模型的泛化性和灵活性，显著优于现有最先进的知识图谱嵌入模型，并大幅减少了关系参数的数量。

    Jan, 2024

  • 超几何知识图嵌入的 3D 旋转和平移

    该研究介绍了一种叫做 3H-TH 的新型模型，可以同时捕捉对称、反对称、倒置、交换组合、非交换组合、层级和多重性等许多关系模式，实验结果表明，在低维空间中，该模型在精度、层级属性和其他关系模式方面优于现有的最先进模型，但在高维空间中表现相似。

    May, 2023