AAAINov, 2019

基于规则导向的知识图谱组合表示学习

PDF
TL;DR本文提出了一种基于规则和路径的联合嵌入（RPJE）方案，利用逻辑规则的可解释性和准确性、KG 嵌入的泛化性以及路径的补充语义结构。实验结果表明，RPJE 在 KG 完成任务上优于其他最先进的基线，这也证明了利用逻辑规则和路径提高表示学习的准确性和可解释性的优越性。
representation learningknowledge graphlogic rulespathsembeddings
发现论文，激发创造
  • 基于神经符号化的规则嵌入知识图谱推理

    本文提出了一种名为 RulE 的框架，它融合了元素、关系和逻辑规则。通过在统一嵌入空间中学习每个逻辑规则的嵌入向量，RulE 可以以软方式进行逻辑推断，并为每个规则分配置信度分数，从而提高知识图嵌入的泛化性能。通过对多个基准知识图进行实验，RulE 的有效性得到了证明。

    Oct, 2022

  • 通过联合建模知识图谱和软规则进行知识推理

    本文提出了一种新的方法，通过迭代学习来注入规则并学习表示以充分利用规则和嵌入，取得了高效性和可扩展性的良好平衡，并通过两个公共数据集的评估，优于当前最先进方法，提高了均值倒数排名（MRR）2.7％和 4.3％。

    Jan, 2023

  • 知识图谱规则引导的联合嵌入学习

    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

  • 知识库表示学习的关系路径建模

    本文提出了一种基于路径的知识库表示学习模型，将多步关系路径作为实体之间表示学习的翻译，利用路径约束资源分配算法度量路径可靠性，并通过关系嵌入的语义组合来表示关系路径；实证研究结果表明，与基线方法相比，我们的模型在知识库完成和文本关系提取方面取得了显著且一致的改进。

    Jun, 2015

  • 利用逻辑知识增强生物医学数据的嵌入表示

    本研究探讨在生物医学领域的知识图谱中，如何通过引入逻辑规则来增强知识图谱嵌入表示，提高关系建模的效果。具体地，采用关系推理网络（R2N）作为知识图谱嵌入技术的补充，在 PharmKG 数据集上进行对比实验，并进行消融分析。结果表明，该方法显著优于现有技术，并能根据不同的选择标准和规则数量产生不同效果。

    Mar, 2023

  • 基于规则的传递性和反对称性嵌入知识图谱

    本文提出了一种新颖的方法，将知识三元组和逻辑规则整合起来，通过有序关系在连续的低维向量空间中对实体和关系类型进行编码，同时利用逻辑规则的传递性和反对称性，来实现知识表示的学习。通过实验证明，该模型在知识图谱完成任务方面显著优于其他基线模型，表明该模型可以捕获知识图谱中的传递性和反对称性信息。

    Feb, 2017

  • 基于知识图谱逻辑查询的自监督双曲线表示

    本文介绍了利用 Hyperboloid Embeddings 学习知识图谱表示的自监督逻辑查询推理方法，并将其应用于真实世界数据集和异常检测任务中，取得了显著的性能提升。

    Dec, 2020

  • 逻辑规则支持的知识图谱嵌入

    该论文提出了一种新的逻辑规则增强的知识图谱嵌入方法，可以与任何基于转换的知识图谱嵌入模型（如 TransE）轻松集成。经过广泛的实验，在链接预测和三元组分类上显示出更好的性能提升。

    Mar, 2019

  • 可微规则学习中知识图谱中的逻辑实体表示

    该研究利用逻辑实体表示（LERP）来将实体的上下文信息编码到知识图谱中，然后将其与概率逻辑规则学习相结合，从而学习出更具表现力的规则，提高知识图谱的补全能力。实证结果表明，LERP 可提高规则表达的能力，并达到了甚至优于黑盒模型的水平，并且 LERP 可以与诸如 TransE 等嵌入学习方法相结合，使其更具可解释性。

    May, 2023

  • 知识图谱嵌入用于链接预测：一项比较分析

    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