COLINGOct, 2020

应用空洞卷积和残差学习的知识图谱嵌入

PDF
TL;DR本研究提出了一种采用空洞卷积和残差学习的知识图谱嵌入方法，相对于现有技术具有更高的参数效率，并在六个基准数据集上进行评估，取得了优于现有技术的表现。
knowledge graph embeddingneural networksatrous convolutionresidual learningbenchmark datasets
发现论文，激发创造
  • ConvD：增强动态卷积嵌入的知识图谱补全

    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

  • 在知识图谱中学习基于注意力机制的嵌入向量以预测关系

    该研究论文提出了基于注意力机制的特征嵌入方法，能有效地捕捉到三元组周边复杂和隐式的信息，并在多个数据集上相对于现有方法实现了显著的性能提升。

    Jun, 2019

  • 知识图谱嵌入及图卷积网络实现长尾关系抽取

    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

  • 超网络知识图谱嵌入

    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

  • 二维卷积知识图谱嵌入

    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

  • 基于知识嵌入的图卷积网络

    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

  • InteractE: 通过增加特征交互来改进基于卷积的知识图谱嵌入

    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

  • 卷积复杂知识图谱嵌入

    本研究探讨了学习知识图谱连续向量表示以预测缺失链接的问题，并提出一种称为 ConEx 的新方法，通过二维卷积和共轭内积的复数值嵌入向量来推断缺失链接，并证明其在各种基准数据集上均优于 RotatE、QuatE 和 TuckER 等现有方法的表现。

    Aug, 2020

  • 基于关注知识图谱卷积网络的旅游景点推荐

    本文提出了一个基于知识图谱的改进型注意力知识图卷积网络模型（Att-KGCN），可以在推荐旅游景点方面发挥很好的效果并提供更多旅游选择建议。

    Jun, 2023

  • 基于卷积神经网络的知识库补全新嵌入模型

    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