EMNLPOct, 2020

无监督图学习中的非向量空间词嵌入

PDF
TL;DR本文介绍了一种用于学习单词表示的无监督图形表示方法，通过使用最短路径距离，将每个单词视为带权图中的节点，并表明比传统的向量表示方法更好地表现出单词的相似性和类比任务。
word embeddingsgraphglovegraph-based representationsglovehierarchical structure
发现论文，激发创造
  • Poincaré GloVe: 超球面词嵌入

    本文提出了一种基于 delta-hyperbolicity 的方法，在超球面的笛卡尔积空间中嵌入词嵌入向量，在此基础上利用 Glove 算法学习无监督的词嵌入，并发现了这种嵌入方式相对于高斯词嵌入的几何意义，同时通过这种新类型几何的平行传送得出新的解决 word analogy 的方法，在各种任务上表现出色。

    Oct, 2018

  • 探索词语和关系的理论表示

    该研究提出了一种理论方法，将词嵌入和知识图谱中的实体及其关系的几何形状联系起来，以便更好地理解它们的语义结构和性能。

    Feb, 2022

  • 基于图度量嵌入的快速图算法

    本文介绍一种学习图嵌入的简单、有效方法，通过密集向量表示来近似节点之间的距离，以反映用户定义的图距离度量，避免了直接在图结构上进行操作引起的低效性，证明该方法在语义相似性和词义消歧任务上的表现比其他图嵌入方法更优秀，同时在 WordNet 和两个知识库图上进行了评估。

    Jun, 2019

  • 从 WordNet 基于相似度度量学习图嵌入

    本研究提出 path2vec，一种学习图嵌入的新方法，它依赖于节点相似性的结构度量，该模型使用一个密集的空间来学习节点的表示，以逼近用户定义的图距离度量，并在语义相似性和词义消歧任务方面表现出色。

    Aug, 2018

  • 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

  • 基于图 - 图距离的无监督归纳图级别表示学习

    提出一种新的图级表示学习方法 —— 将整个图形嵌入到一个向量空间中，其中两个图形的嵌入保持其图形 - 图形的关联性。UGRAPHEMB 是一种通用框架，提供了一种全面的无监督和归纳式图级嵌入方法。 通过多尺度节点关注（MSNA）提出一种新的图级嵌入生成机制。在五个真实图形数据集上进行的实验表明，UGRAPHEMB 在图分类、相似性排名和图形可视化任务中具有竞争力的准确性。

    Apr, 2019

  • 使用循环神经网络学习图级表示

    本文提出了一种结合无监督和有监督学习组成的方法，通过利用 random walk 方法和 Gumbel-Softmax 分布将图节点映射到节点序列，然后使用修改后的 RNN 神经网络单位学习节点表示方法和它们的邻域信息，实验表明该方法优于或与现有算法相当，具有收敛速度快和准确度高的优点。

    May, 2018

  • 全局节点表示向量

    本文提出了一种矩阵分解方法，受到 GloVe 启发，用于网络节点嵌入，同时学习单词、节点和文档表示，该模型表现出良好的性能和鲁棒性，可用于探索文件网络，并生成互补的网络和内容关键字。

    Feb, 2019

  • 向量空间中的层级：定向词和图嵌入

    本文介绍一种从无序平面嵌入空间中捕捉层次结构信息的数据结构算法，基于权威性分布的想法构建有向根树，用于识别单词的上位词关系和寻找共同祖先，同时在维基页面链接恢复方面表现出优异的性能。

    Nov, 2022

  • graph2vec：学习图的分布式表示

    本研究提出了一种名为 Graph2vec 的神经嵌入框架，用于学习任意大小的图的数据驱动分布式表示。该模型可以应用于图分类、图聚类等下游任务，并取得了显著的性能提升。

    Jul, 2017