Sep, 2020

OWL2Vec*: OWL 本体嵌入

PDF
TL;DR本文提出了一种基于随机游走和词嵌入的本体嵌入方法 OWL2Vec *，该方法将 OWL 本体的语义编码为结合了图结构，词汇信息和逻辑构造式的表示。通过在三个真实数据集上的实证评估，我们发现 OWL2Vec * 在类成员预测和类包含预测任务中从本体的三个不同方面受益，并且通常在我们的实验中优于现有的技术水平。
semantic embeddingowl ontologiesowl2vec*graph structureclass prediction
发现论文，激发创造
  • On2Vec：基于嵌入的本体库关系预测

    提出了 On2Vec，它是一种新的基于翻译的图形嵌入方法，可以有效地解决本体填充问题。 On2Vec 集成了两个模型组件，可以有效地特征化本体图中的全面关系事实。 在多个知名本体图上的实验表明，On2Vec 可以预测和验证新的关系事实。

    Sep, 2018

  • 本体嵌入：方法、应用和资源综述

    本文系统回顾了本体嵌入领域的 80 多篇论文，介绍了本体的不同语义以及数学和机器学习的视角下的本体嵌入的定义和特性，并对几种技术解决方案进行了分类和分析，包括几何建模、序列建模和图传播等。此外，还介绍了本体嵌入在本体工程、机器学习增强和生命科学中的应用，并讨论了挑战和未来方向。

    Jun, 2024

  • OPA2Vec：结合医学本体形式和非形式内容，提高基于相似性的预测

    该论文提出了一种新的方法，OPA2Vec，通过将正式本体公理和本体元数据中的注释公理结合起来，生成生物实体在本体中的向量表示，从而进行语义相似度计算。

    Apr, 2018

  • Word-Graph2vec: 基于随机游走采样的单词共现图的高效单词嵌入方法

    提出了一种基于图形的单词嵌入算法 Word-Graph2vec，通过将大语料库转换为单词共现图然后从该图中随机抽取单词序列样本并在此抽样语料库上训练单词嵌入，在实验中表现出较高的效率并且随着训练语料的增加，其性能优势变得越来越明显。

    Jan, 2023

  • word2vec, node2vec, graph2vec, X2vec: 结构化数据的向量嵌入理论

    该研究探讨了图形和关系结构的矢量表示，以及生成这些表示的方法。作者提出了两种理论方法来理解矢量嵌入的基础，并建议未来的研究方向。

    Mar, 2020

  • 利用语义桥梁学习罕见词汇的表示

    本文提出一种方法学习语言的词汇，并使用图嵌入技术和跨语言向量空间映射方法结合本体源和语料库来提高现有词向量的覆盖范围以及加强其词汇知识。所提出的方法在 Rare Word Similarity dataset 上表现出 10% 的性能提升。

    Jul, 2017

  • Onto2Vec: 生物实体及其基于本体论的注释的联合向量表示

    提出了 Onto2Vec 方法，它基于生物医学本体的注释来学习生物实体的特征向量。我们的方法可应用于生物信息学研究问题，如基于相似性的蛋白质相互作用预测，使用监督学习分类交互类型或聚类。

    Jan, 2018

  • 从图领域的公理到向量，并再次返回：评估基于图的本体嵌入的性质

    文章研究了不同的图投影方法对本体学习中嵌入生成和公理预测性能的影响。研究发现，不同的投影方法以及本体知识表示上的选择都会对公理预测产生重要影响。

    Mar, 2023

  • 基于随机游走的知识图谱嵌入算法：Subgraph2vec

    在本研究中，我们介绍了一种名为 subgraph2vec 的知识图谱嵌入方法，通过在用户定义的子图内运行 walks，用于链接预测，并证明我们的方法在大多数情况下具有更好的性能。

    May, 2024

  • Snomed2Vec: 面向医疗保健分析的临床知识库的随机游走与 Poincaré 嵌入

    使用基于图的表示学习方法在 SNOMED-CT 上学习医学概念的嵌入向量，可用于生物医学任务。结果表明，基于 SNOMED-CT 的概念嵌入在概念相似性和患者诊断方面 5-6 倍和 6-20％ 的改进相对于最新的嵌入方法。

    Jul, 2019