AAAIDec, 2020

基于上下文增强的实体关系嵌入方法用于知识图谱补全

PDF
TL;DR提出了一种名为 AggrE 的模型，该模型通过对实体和关系的上下文进行多跳的高效聚合，学习增强上下文的实体和关系嵌入，以完成知识图的补全。实验结果表明，AggrE 模型竞争力强。
knowledge graph completionentity and relation representationcontext extractionaggre modelmulti-hop aggregation
发现论文，激发创造
  • 利用知识图谱嵌入增强关系抽取的上下文表示

    本论文使用预训练的知识图谱嵌入模型，结合文本语料库的句子级上下文表示，实现了较高性能的关系抽取模型，并通过实验验证了该方法的有效性和出色性能。

    Jun, 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

  • 实体和关系嵌入模型在知识图谱补全中的调查

    本研究是对实体和关系的嵌入模型在知识图谱完善领域的综合调查，总结了标准基准数据集的最新实验结果，并指出了潜在的未来研究方向。

    Mar, 2017

  • 知识图谱规则引导的联合嵌入学习

    本研究论文介绍了一种新颖的模型，将知识图谱中的实体和关系编码为低维向量空间，并将上下文信息和字面信息融入到实体和关系嵌入中，使用图卷积网络进行建模，通过置信度和相关性度量评估上下文信息的重要性，并通过字面信息的表示来计算相关性度量。我们在两个常用基准数据集上进行了全面的实验证实以验证模型的性能。

    Dec, 2023

  • 用于知识图谱补全的上下文字典查询

    本文介绍了一种采用上下文字典查找的新方法，利用传统的嵌入模型以端到端方式学习关系的细粒度语义，从而解决了知识图谱完成中的语义问题，并在多个基准数据集上获得了显着的性能提高。

    Jun, 2023

  • 基于结构增强的文本表示学习用于高效的知识图谱补全

    本研究旨在整合知识图谱的图嵌入和文本编码技术，以提高自动完成知识图谱的性能，实现更精确的链接预测和结构学习。实验结果表明，该方法能实现与文本编码方法相比 1-2 个数量级的推理成本减少和最先进的性能表现。

    Apr, 2020

  • 知识图谱完善的文本和知识联合表示学习

    提出一种新的框架，将词汇、实体和关系嵌入到同一连续向量空间中，通过对知识图谱和纯文本的联合学习，可以更准确地完成知识图谱补全，实现实体预测、关系预测和关系分类等任务，并且相比其他基线模型，在三项任务上均可以显著且持续地提高性能。

    Nov, 2016

  • 通过关系图进行归纳式知识图谱嵌入的 InGram 算法

    本文提出一种名为 InGram 的机器学习方法，该方法能够在推理时生成新实体和新关系的嵌入向量，通过引入注意力机制和关系图来整合邻居节点的嵌入向量，并在多种归纳学习场景中取得了优于 14 种现有方法的效果。

    May, 2023

  • 提升超关系知识图谱补全

    该研究提出了一种用于高度关联知识图谱 (HKGs) 补全的方法，该方法引入了两个新修订：一是用轻量级实体 / 关系嵌入处理技术替换计算量大的图神经网络模块以提高计算效率；二是增加一个定向于合格证的辅助训练任务以提高该方法的预测能力，并且该方法在三个基准数据集上的实验中始终优于 STARE，计算效率显著提高。

    Apr, 2021

  • 基于结构和文本嵌入的知识图谱补全

    在本研究中，我们提出了一种关系预测模型，它利用了知识图中的文本和结构信息，并结合了步行式嵌入和语言模型嵌入来有效地表示节点。通过在一个广泛使用的数据集上进行评估，我们证明了我们的模型在关系预测任务中取得了有竞争力的结果。

    Apr, 2024