Apr, 2020

时间知识库完成的张量分解

PDF
TL;DR提出一种基于四阶张量的正则化算法和 ComplEx 扩展，针对具有时间限制的链接预测问题，如 (US，has president，？，2012)，并提出了一个大于之前基准的知识库完成的新数据集，用于评估时态和不时态链接预测方法。
representation learninglink predictionrelational datatemporal constraintsknowledge base completion
发现论文，激发创造
  • 利用矩阵和张量分解进行时序链接预测

    本文考虑了基于时间的链接预测问题，研究了基于矩阵和张量的方法，并探讨了在具有不同周期结构的数据中利用张量分解的优点。通过多个实验，证明了这两种方法对于时间链接预测具有很好的效果。

    May, 2010

  • 神经链接预测模型的时间平滑性正则化器

    使用线性函数和递归架构系统地分析了几种时间平滑正则化项，实验证明，通过精心选择时间平滑正则化项和正则化权重，TNTComplEx 这样简单的方法在三种常用的时间链接预测数据集上可以产生比最先进的方法更准确的结果；此外，还评估了一系列时间平滑正则化项对两种最先进的时间链接预测模型的影响。我们的研究表明，简单的张量分解模型使用新提出的时间正则化方式可以产生全新的最先进结果，为未来的研究开辟了有希望的方向。

    Sep, 2023

  • 知识库完成的规范张量分解

    该研究探讨了使用 Canonical Tensor Decomposition 解决 Knowledge Base Completion 问题的局限性，并提出了一种基于 tensor nuclear p-norms 的新型正则化方法，结合这两种方法可以超过现有的同类算法，在多个数据集上表现得更好。

    Jun, 2018

  • 利用低秩和模型无关表示进行时间知识图谱推理

    介绍了一种基于张量分解的时间知识图谱补全方法 (Time-LowFER)，并提出了一种模型无关的、更广义的时间特征表示方法，实验表明该方法的表现与当前先进的语义匹配模型相当或更好。

    Apr, 2022

  • TuckER：用于知识图谱补全的张量分解

    TuckER 是一种基于 Tucker 分解的二元张量表示的线性模型，在标准的链接预测数据集上表现优于其他最先进的模型，并作为更复杂模型的强有力基准，是一种完全表达模型，可以作为先前引入的一些线性模型的特例来看待。

    Jan, 2019

  • 基于复杂张量分解的知识图谱补全

    本文介绍了一种基于复杂嵌入的统计关系学习方法，在实现表达能力和时间 / 空间复杂度之间权衡的同时，探索了这种复杂嵌入和酉对角化之间的联系，提出的嵌入方法仅涉及共轭内积，具有良好的可扩展性和高准确率。

    Feb, 2017

  • 知识增强的张量分解在知识图谱事实预测中的应用

    本文提出了一族新的方法，将知识图谱嵌入到实值张量中，使用这些基于张量的嵌入可以更加准确地预测新事实。通过实证评估，证明了这些张量分解模型的有效性和可靠性。

    Feb, 2019

  • 学习序列编码器用于时间知识图谱补全

    本文研究了基于时间的知识图谱中的联结预测问题，提出一种使用循环神经网络和潜在因式分解相结合的方法，以学习具有时间感知的关系类型表示，以解决现实世界知识图谱中稀疏性和异质性等问题，并在四个时间知识图谱数据集上进行了实验验证。

    Sep, 2018

  • 泛化张量分解用于 N 元关系知识库

    本文介绍一种基于 Tucker 分解和张量环分解 TE 的通用模型 GETD，该模型可以广义地将张量分解应用到 n 元关系 KBs 中，实现了深入学习各种关系，理论上足够表征任何形式的 KBs，实现在知识库的不同数据集上击败目前已有的最先进技术。

    Jul, 2020

  • 时间知识库补全：新算法和评估协议

    本文介绍了 TIMEPLEX（一种新颖的基于时间感知的知识库补全方法），用于联合实体、关系、时间的预测任务中，以及改进的 TKBC 评估协议。实验证明，TIMEPLEX 在预测任务中表现出色，并且既考虑了某些关系的可重复性，又考虑了关系对之间的时间交互作用。

    May, 2020