AAAIDec, 2020

具有语义相关性感知的广义关系学习用于链接预测

PDF
TL;DR该研究提出了一种统一的关系学习框架（GRL），该框架可以插入现有的链接预测模型中，能够增强现有的链接预测模型，使其对于不平衡的关系分布和学习未见关系具有不敏感性，并能够联接语义相似的关系。
link prediction modelsknowledge graphsrelation distributionsgeneralized relation learningsemantically similar relations
发现论文，激发创造
  • 知识图谱中的少量样本链接预测的元关系学习

    本研究基于 Meta Relational Learning 框架，针对在知识图谱上进行少样本关系预测的挑战，通过转移关系特异的元信息来实现优化学习，最终在少样本关系预测基准测试中取得了最先进的成果。

    Sep, 2019

  • 一种基于检索和阅读的知识图谱链接预测框架

    提出了一种新颖的基于 Transformer 的图网络模型，实现了检索 - 阅读框架，提高了知识图谱链接预测的性能。

    Dec, 2022

  • KGLM: 将知识图谱结构整合到语言模型中进行链接预测

    提出了一种名为 KGLM 的知识图谱语言模型结构，该结构通过引入新的实体 / 关系嵌入层来学习区分不同的实体和关系类型，从而允许模型学习知识图谱的结构，并通过对知识图谱中提取的三元组进行附加培训，跟随标准的微调阶段，取得了基准数据集上的链接预测任务的最新性能。

    Nov, 2022

  • RAILD：关系特征在知识图谱归纳链接预测中的应用

    本文提出了一种新颖的名为 RAILD 的关系感知归纳链接预测方法，该方法能够学习未见的实体和未见的关系的表征，并采用语言模型和图形化方法来生成特征。实验表明，RAILD 在 KG 完成任务上比现有的模型性能有了显著提高，并且还超过了我们创建的基线模型。

    Nov, 2022

  • 图协同推理

    本研究提出了一个名为图形协作推理（GCR）的方法，该方法利用邻居链接信息从逻辑推理角度对图形进行关系推理，并在常用基准数据集上展示其在链接预测等任务方面的卓越表现。

    Dec, 2021

  • 基于图的 N 元关系事实链预测方法

    本研究提出了基于小型异构图的全连接式注意力图算法，用于处理 n 元关系事实的链接预测问题，并在多种实验数据集上证明了该方法的有效性和优越性。

    May, 2021

  • 关系超图的链接预测

    通过关系超图进行链接预测的研究，提出了两种框架，并通过相应的关系 Weisfeiler-Leman 算法和一些自然逻辑形式主义的广泛实证分析，证明了所提模型架构的表达能力。在各种关系超图基准测试中，所得到的模型架构明显优于每个基线模型，对于归纳链接预测具有领先水平的结果，从而开启了图神经网络在完全关系结构中的应用。

    Feb, 2024

  • 基于关系的自监督图学习

    本文提出了一种新颖的图表示学习方法 RGRL，它学习自图本身生成的关系信息，并通过全局和局部两个角度来考虑节点之间的关系，从而克服了以前对比和非对比方法的局限性，取得了最佳结果。

    Aug, 2022

  • 基于子图推理的归纳关系预测

    提出了一种基于图神经网络的关系预测框架 GraIL，该框架可以推理本地子图结构并具有强的归纳偏差来学习独立于实体的关系语义。与基于嵌入的模型不同，GraIL 是自然归纳的，并且可以在训练后推广到未看到的实体和图形。在归纳设置中，GraIL 优于现有的规则归纳基线。

    Nov, 2019

  • 跨图多关系联合学习

    该论文提出了一种新的跨图关系学习模型，将其建模为一个凸优化问题，通过使用标记和未标记元组进行传导学习，并提供了一个可扩展算法，保证了最优解，并且与输入图的规模成线性时间复杂度。

    May, 2016