该研究重新实现和评估了21种知识图谱嵌入模型,证明了模型架构、训练方法、损失函数和反向关系显式建模的结合对模型性能至关重要,提供了许多最佳配置和实践,并提供了代码和实验配置等信息。
Jun, 2020
TorchKGE是一个基于PyTorch的知识图谱嵌入Python模块。它的主要特点是快速的链接预测任务的评估模块,以及各种各样的嵌入模型,具有代码高效性和清晰性,按照BSD许可证进行分发。
Sep, 2020
NeuralKG是一个开源的Python库,用于知识图谱的多样化表征学习,实现了三种不同系列的知识图嵌入方法,包括传统的KGE、基于图神经网络的KGE和基于规则的KGE,通过实验在基准数据集上成功重现这些方法的链接预测结果,并提供了高度可配置的模块,方便用户自定义设计模型,优化训练方法。
Feb, 2022
本论文讨论知识图谱嵌入模型的超参数优化方法,提出了一种高效的多保真度算法GraSH,并在大规模知识图谱上实现了最新的成果。
Jul, 2022
开发了一种基于DASK、Pytorch Lightning和Hugging Face框架的知识图谱嵌入计算框架,能够以硬件无关的方式计算大规模知识图谱的嵌入表示,并提供了一个开源版本的框架以及一个具有超过11.4B参数的预训练模型的集线器。
这篇论文介绍了一个名为μKG的Python开源库,用于知识图谱的表示学习,可以支持多源知识图谱的联合表示学习(和单个知识图谱),多个深度学习库(PyTorch和TensorFlow2),多种嵌入任务(链接预测,实体对齐,实体类型和多源链接预测)以及多种并行计算模式(多进程和多GPU计算),还实现了26种常用的知识图谱嵌入模型和16个基准数据集的支持,可以广泛应用于各种建模任务。
本文从数学空间的角度系统性地回顾了当前存在的KGE技术,并介绍了基本的数学空间定义。通过对不同的类别KGE方法的讨论,总结了它们在不同嵌入需求下如何发挥空间优势,并探讨了数学空间在不同场景下的优势和原因。最后,从表示空间的角度提出了一些有前途的研究方向,希望能激发研究人员在设计KGE模型及相关应用时更加考虑其数学空间特性。
Nov, 2022
使用为生成原型图设计的启发式算法,从而生成可用于学习知识图嵌入的原型图嵌入,这有助于创造更加全面的嵌入,尤其对于实体聚类和节点分类任务效果显著。
Jun, 2023
本文综述了知识图谱完成中的当前研究状态,特别关注了知识图谱嵌入设计的两个主要分支:基于距离的方法和基于语义匹配的方法,并探讨了与最近提出的模型之间的关联及其背后的趋势,最后讨论了利用预训练语言模型和实体关系的文本描述相结合进行知识图谱完成的新方法。
Sep, 2023
KGEx是一种新颖的后处理方法,通过借鉴替代模型研究来解释知识图嵌入(KGE)中的个别链接预测,并通过训练替代KGE模型识别重要的训练三元组,从而提供对于黑盒模型忠实的解释。
Oct, 2023