卷积复杂知识图谱嵌入
本研究设计了一种多层卷积网络模型 ConvE 用于知识图谱的链接预测,针对多种常见数据集进行了实验,获得了与 DistMult 和 R-GCN 相媲美的性能,极大提高了参数效率,并发现简单基于规则的模型可以获得 WN18 和 FB15k 数据集的最优效果
Jul, 2017
本文提出一种基于超网络结构的张量分解方法,用于实现知识图谱中链接预测任务,取得了比 ConvE 和所有以前的方法更好的性能表现,同时能够作为张量分解模型的一种简化(相比较于卷积神经网络方法)而得到推广。
Aug, 2018
本文提出 InteractE 方法,通过增加特征间的交互来提高链接预测性能,并在 FB15k-237、WN18RR 和 YAGO3-10 数据集上取得了优异的表现,相较于 ConvE,InteractE 在 FB15k-237、WN18RR 和 YAGO3-10 数据集上的 MRR 分数分别提高了 9%,7.5% 和 23%。
Nov, 2019
本文提出了一种名为 ConvKB 的嵌入模型,通过卷积神经网络来捕获知识库中实体和关系之间的全局关系和转换特征,并在两个基准数据集上实现了比以前最先进的嵌入模型更好的链接预测性能。
Dec, 2017
本文介绍了一种改进的参数共享方法,通过使用在 Knowledge Graph Embedding 模型中使用的复数的共轭参数以减少计算资源的使用,并在性能上与最先进的非共轭模型相媲美或更快地完成训练。
Apr, 2024
本文提出了一种新颖的动态卷积嵌入模型 ConvD,用于知识图谱补全,并通过将关系嵌入重塑为多个内部卷积核,改善传统卷积嵌入模型的外部卷积核,有效增强了关系嵌入与实体嵌入之间的特征交互,进一步提高了模型的表达能力。通过广泛的实验证明,我们提出的模型在各种数据集上始终优于最先进的基线方法,平均改进范围从 11.30% 到 16.92%。消融实验证实了 ConvD 模型的每个组件模块的有效性。
Dec, 2023
研究了如何利用距离监督关系抽取方法,基于知识图谱嵌入和图卷积网络,精确学习长尾分布中少见的关系类型,通过知识感知机制实现对数据贫乏类别的性能增强。该方法在大规模基准数据集上的实验中表现出优于其他基线方法的明显优势,特别是对于长尾分布的关系。
Mar, 2019
通过结合多种模型的查询表示,用注意力机制选择最合适的模型来回答每个查询,将模型映射到柏克莱球形空间中,以学习关系和结构模式,提供更高的表现力和推断能力,并在各种链接预测基准测试中展开了广泛的实验分析,表明综合模型优于个别模型,包括最先进的方法。
Feb, 2023
本研究提出了一种新的框架 -- 基于知识嵌入的图卷积网络 (KE-GCN),该框架充分利用了复杂图形的丰富结构信息,并针对图的异构性和节点更新问题进行改进,优于具有同类基线方法的表现。
Jun, 2020