本文介绍了一种超几何知识图嵌入方法,可以同时捕捉层次结构和逻辑模式,并在现有方法的基础上提高了平均倒数排名(MRR)达 6.1%。
May, 2020
本文提出了一种新颖的基于注意力的可学习曲率超几何分层知识图嵌入模型(HypHKGE),以在超几何空间中有效地建模知识图中的语义层次结构,并在低维度下表现出色,特别是在链接预测方面。
Apr, 2022
本文提出 HyperKG,一个使用超几何空间来更好地反映知识库的拓扑性质,从而提高知识库完成任务性能的模型,并在各种链接预测数据集中验证了该模型的有效性。
Aug, 2019
本文提出了一种新的知识图谱嵌入方法 UltraE,它使用超弦广义相对论模型天衣无缝地将双曲和球形流形交错地组织起来,使其能够同时建模异构结构和复杂的关系模式,实验结果表明,UltraE 优于之前的欧几里得和双曲嵌入方法。
Jun, 2022
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
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
该研究介绍了一种叫做 3H-TH 的新型模型,可以同时捕捉对称、反对称、倒置、交换组合、非交换组合、层级和多重性等许多关系模式,实验结果表明,在低维空间中,该模型在精度、层级属性和其他关系模式方面优于现有的最先进模型,但在高维空间中表现相似。
May, 2023
本文阐述了通过将知识图谱嵌入欧几里得空间、双曲空间和高维球面空间,提出了一种基于几何交互方法的知识图谱嵌入(GIE)。实验结果表明,与其他嵌入方法相比,GIE 在三个知识图谱数据集上的表现更加优异。
知识图谱是一个基于图形的数据结构,用于表示世界的事实,其中节点表示现实世界的实体或抽象概念,边表示实体之间的关系。知识图谱嵌入通过在低维向量空间中表示实体和关系来捕捉它们之间的语义关系。本文讨论了基于翻译和神经网络的嵌入模型,它们根据语义属性、评分函数和架构的不同而有所区别,并进一步讨论了在一些使用深度学习模型和利用社交媒体数据的领域中应用知识图谱。
Apr, 2024
通过在超宇宙中学习神经嵌入,可以在图结构数据中提高特征表达的性能,我们的实验证明了在自然几何形态下嵌入图可以显著提高多个实际数据集的性能。
May, 2017