COLINGOct, 2020

RatE: 知识图谱补全的关系自适应嵌入

PDF
TL;DR本文提出了一种基于复杂空间中新颖的加权乘积所构建的关系自适应翻译函数的嵌入方法，即 RatE，该方法具有高度的表达能力，可以有效地缓解嵌入歧义问题，并在四个链接预测基准测试中取得了最先进的性能。
graph embeddingknowledge graph completiontranslating embeddingcomplex vector spacelink prediction
发现论文，激发创造
  • RotatE：基于复杂空间关系旋转的知识图谱嵌入

    本文提出了一种称为 RotatE 的新型知识图谱嵌入方法，它能够模拟和推断各种关系模式，包括对称性 / 反对称性、倒置和组合，并使用一种新颖的自对抗负采样技术有效地训练模型，实验证明它不仅可扩展性好，而且还能够显着地优于现有的最先进模型用于链接预测。

    Feb, 2019

  • 灵活翻译的知识图谱嵌入

    本文介绍了知识图谱嵌入的相关研究，提出了一种新的模型 ——TransF，有效地解决了前置模型无法处理的关系问题，并通过基准数据集的链接预测和三元组分类实验，证明了该模型相对于其他前沿模型具有明显的性能提升。

    May, 2015

  • 多关系投影下的知识图谱嵌入

    TransF 是一种新型的基于翻译的方法，可用于对知识图谱进行嵌入学习和关系预测，在处理具有数千种关系的复杂知识图谱时，具有高效性和鲁棒性，比现有的方法表现更好。

    Jan, 2018

  • TripleRE: 通过三倍关系向量进行知识图谱嵌入

    TripleRE 是一种新的知识图谱嵌入方法，其创新性地将关系向量分为三部分并利用残差概念实现更好的性能。此外，使用 NodePiece 对实体进行编码取得了良好的效果，缩小了参数大小并解决了可扩展性的问题，实验表明我们的方法达到了大规模知识图谱数据集的最先进水平，且在其他数据集上也有竞争力。

    Sep, 2022

  • SpaceE: 基于实体空间中关系线性变换的知识图谱嵌入

    提出了一种名为 SpaceE 的翻译距离 (KGE) 基于线性变换的方法来模拟知识图谱中实体的关系，它可以很好地建模与非注射关系模式， 并且在许多具有非注射关系的数据集中明显优于现有的 KGE 方法。

    Apr, 2022

  • TransA: 知识图谱嵌入的自适应方法

    研究了知识表示在人工智能中的重要性，提出了基于转换的方法矢量化实体和关系，然后通过使用基于度量学习的自适应度量方法来提高性能。在基准数据集上通过实验证明了该方法的显着改进，领先于现有的基线模型。

    Sep, 2015

  • 面向知识图谱嵌入的本地自适应翻译

    该论文提出了一种名为 TransA 的知识图谱嵌入方法，通过局部自适应方法确定不同知识图谱上的最优损失函数来提高嵌入相关应用的性能，针对两个基准数据集的实验结果表明该方法具有超过现有方法的优越性。

    Dec, 2015

  • 基于图上上下文建模的正交关系变换用于知识图谱嵌入

    本文提出了一种新的基于转化距离的知识图谱链接预测方法，通过将 RotatE 从二维复杂域扩展到高维空间以及利用两个有向关系的上下文表示方法，有效地提高了难以预测的 N-1、1-N 和 N-N 情形的预测精度。实验结果表明，与基线 RotatE 相比，该方法在两个基准数据集上表现得更好，特别是在连接节点数量较高的数据集（FB15k-237）上。

    Nov, 2019

  • TranSHER: 用超椭球约束翻译知识图谱嵌入

    通过提出 TrasnSHER 的评分函数，可以更好的处理知识图完成任务中实体的优化问题，得到更好的预测结果。

    Apr, 2022

  • TorusE: 嵌入到李群上的知识图谱嵌入

    本文提出一种新的知识图谱嵌入模型 ToruE，解决了传统模型 TransE 中由于规范化导致的问题，并在链接预测任务上表现优异。

    Nov, 2017