ACLJun, 2021

利用堆叠卷积和学生重排网络实现强大的知识图谱补全

PDF
TL;DR本文提出一种基于文本实体表示的卷积神经网络，用于知识图谱补全，实验结果表明，该模型在稀疏情况下表现出色，结合实体重排技术，进一步提高了补全效果。
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

  • 知识图谱卷积网络用于推荐系统

    本文提出了 Knowledge Graph Convolutional Networks (KGCN) 的方法，通过在知识图谱上挖掘和利用互相关联的属性来有效地捕捉物品之间的相关性，扩展感受野以建模高阶邻近信息，并将邻居信息与偏差相结合计算给定实体的表示，以优化协同过滤型推荐系统的性能。实验结果表明，该方法在电影、图书和音乐推荐的三个数据集上优于强基线算法。

    Mar, 2019

  • DSKG：一种用于知识图谱补全的深度顺序模型

    本研究提出了一种新的知识图谱完成模型，使用知识图谱专用多层递归神经网络作为核心，能够更好地完成实体预测任务并实现全三元组预测。

    Oct, 2018

  • 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

  • 可解释的稀疏知识图谱补充方法：基于高阶图推理网络的实现

    本文提出了一种新型解释模型 HoGRN 用于针对稀疏知识图谱（KG）的提取和推理，在实现高效和精确的预测同时保证可解释性，通过捕获关系的内部相关性学习高质量关系表示，并在关系空间中进行实体聚合和基于组合的注意力设计，HoGRN 在几个稀疏 KG 上表现出了显著的改进。

    Jul, 2022

  • 基于注意力、知识和协作指导的个性化推荐图卷积网络

    通过引入知识图谱的图卷积神经网络模型加入历史交互数据，再通过协作引导机制提取知识图谱信息实现个性化推荐，实验证明该模型在 Top-K 推荐任务中的召回率指标显著高于现有最新模型。

    Sep, 2021

  • 基于结构和语义上下文的常识知识库完善

    该研究提出了新的知识库补全模型，它可以通过利用节点的结构和语义上下文来解决本体库完整性问题。该模型不仅学习了本地图结构，而且还利用了预先训练的语言模型的转移学习来增强对知识的上下文表示，进而显著提高了链路预测能力，并对常识知识的类型进行了分析。

    Oct, 2019

  • 知识图谱对比学习用于推荐

    提出了一种知识图谱对比学习的框架 (KGCL)，该框架通过知识图谱增强模式减少了噪声，利用交叉视图对比学习技术进一步抑制了噪声，实现了在稀疏、长尾和有噪声的知识图谱场景下的强大性能。

    May, 2022

  • 统一知识图谱学习和推荐：走向更好的用户偏好理解

    本文旨在在推荐系统中将知识图谱引入，特别考虑了不完整的知识图谱，并通过关系传递实现对用户偏好的理解，提高了推荐性能。通过联合训练建议模型和知识图谱完成模型，综合多个迁移模式，表现出卓越的性能

    Feb, 2019

  • KC-GenRe: 基于大型语言模型的知识约束生成式重排序方法用于知识图谱补全

    KC-GenRe 是一种基于 LLMs 的知识约束生成重排序方法，用于知识图谱完成任务，通过生成的 LLMs 解决了匹配问题、排序问题和遗漏问题，并取得了优于以往方法的性能。

    Mar, 2024