Concept2Box 提出了一种新方法,它使用双重几何表示技术联合嵌入了一个 KG 的两个视图:本体视图概念和实例视图实体。这种方法使用盒形嵌入来模拟概念,并使用向量来模拟实体,并提出了一种新的向量到盒形距离度量方法。
Jul, 2023
提出了一种基于 Query2Particles 的知识图谱复杂查询答案方法,使用多向量编码并通过神经逻辑操作支持任意一阶逻辑查询,在三个知识图谱上实现了最好的表现。
Apr, 2022
BoxE 是一个新的嵌入模型,它可以同时解决目前模型存在的不表达、不支持显著推理模式、不支持高阶关系和不支持逻辑规则等限制性因素。 BoxE 成功地对许多所需的逻辑属性进行了自然编码,并表现出了最先进的性能。
Jul, 2020
本文介绍了一种使用神经网络来处理知识图谱上的多跳逻辑查询的方法,并展示了实验室中的卓越性能,该方法可以处理包括否定查询在内的全一阶逻辑查询。
Sep, 2022
本研究提出了一种基于低维嵌入空间中的几何运算来有效处理知识图谱中逻辑查询的框架,能够在处理复杂查询时提高时间复杂度,这种方法应用于真实世界数据中能够提供有用的预测能力。
Jun, 2018
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
该论文提出了使用 Skolemization 技术嵌入复杂查询的逻辑嵌入方法,支持否定查询、能够高效查询存在变量并优化建模、在大规模不完整知识图谱查询中快速准确,且在回答不确定性问题上提供了改进。
Feb, 2021
本论文提出了一种基于几何代数的知识图谱嵌入框架 GeomE,利用多向量表示和几何积模拟实体和关系,具有对称、反对称、逆序和复合等多种关系模式,具有良好的泛化能力,能在多个基准知识图谱上优于现有的最先进模型,适用于链接预测。
Oct, 2020
BetaE 是一个可处理不完整的知识图谱中任意一阶逻辑查询的概率嵌入框架,使用带限制支持的概率分布,具有更多的一阶逻辑操作并可以精确建模不确定性,相对于目前仅能处理且合取查询无法处理否定的最前沿知识图推理方法,BetaE 提高了高达 25.4% 的相对性能。
通过盒子形式的兴趣和概念建模,InBox 推动推荐系统的发展,以实现对知识图谱的复杂利用。
Mar, 2024