ICLRJun, 2021

NodePiece：大规模知识图谱的组合和参数高效表示

PDF
TL;DR本文通过借鉴 NLP 中常用的次词元素处理技术，探索更具参数效率的节点嵌入策略，提出了一种基于锚节点的方法 NodePiece，构建了一个定长的子实体单元词汇表，展示了该方法的性能在节点分类、链路预测和关系预测任务中具有竞争力且参数更少。
knowledge graphsrepresentation learningnodepiecesubword tokenizationparameter-efficient strategies
发现论文，激发创造
  • PIE：大规模知识图谱嵌入推理的参数和推断效率解决方案

    本论文提出一个参数和推理有效的知识图谱嵌入方法 PIE，通过张量分解方法将实体嵌入矩阵分解成低秩矩阵以减少模型复杂度，同时提出了一种自监督辅助任务用于微调实体类型以加速模型推理，在链接预测基准测试中取得了显著效果。

    Apr, 2022

  • 随机实体量化用于参数高效的组合知识图表示

    知识图谱上的表示学习对下游任务至关重要，本研究展示了简单随机实体量化方法能实现与当前策略相似的结果，表明当前量化策略并不关键，实体区分度仍有改善空间。

    Oct, 2023

  • 面向实体无关的表示学习，用于参数高效的知识图谱嵌入

    提出了一种实体无关表示学习方法，以解决知识图谱嵌入中带来的低效参数存储成本问题。该方法使用较少的参数，在链接预测任务中表现出更好的性能。

    Feb, 2023

  • 知识图谱合并、分割和嵌入实现大规模实体对齐

    本文提出了一种可扩展的基于 GNN 的实体对齐方法，通过三个视角减少子图嵌入中的结构和对齐损失，并在实验中证实了该方法的有效性。

    Aug, 2022

  • 通过关系原型实体利用知识图谱中的全局语义相似性

    本文提出了一种新颖的知识图谱嵌入方法，引入了一组虚拟的关系原型实体来表示连接同一关系的头尾实体的原型，通过将实体的嵌入与其关联的原型的嵌入靠近，有效鼓励了由同一关系连接的可能在知识图谱中相距较远的实体的全局语义相似性，并在实体对齐和知识图谱完成任务上显著优于最新的现有方法。

    Jun, 2022

  • 分散式知識圖譜表示學習

    本文提出了一种去中心化的知识图谱表示学习方法，针对只提供实体关系信息但没有输入特征的情况，通过从实体邻居的嵌入编码实体并设计算法进行知识蒸馏来优化，在实体对齐任务上表现得更好，并在归纳设置下在实体对齐和实体预测任务上优于所有对照实验.

    Oct, 2020

  • 知识图谱的全息嵌入

    本文提出一种名为 HoloE 的方法用于学习整个 knowledge graph 的综合空间表示，通过循环相关性来创建组合表示，从而在 link prediction 和 relational learning 等方面超越现有技术。

    Oct, 2015

  • 知识图谱嵌入模型及其应用调查

    知识图谱是一个基于图形的数据结构，用于表示世界的事实，其中节点表示现实世界的实体或抽象概念，边表示实体之间的关系。知识图谱嵌入通过在低维向量空间中表示实体和关系来捕捉它们之间的语义关系。本文讨论了基于翻译和神经网络的嵌入模型，它们根据语义属性、评分函数和架构的不同而有所区别，并进一步讨论了在一些使用深度学习模型和利用社交媒体数据的领域中应用知识图谱。

    Apr, 2024

  • 实体对齐的知识图谱嵌入方法：实验评述

    本文通过进行第一次统计学分析，对知识图谱中利用嵌入方法进行的实体对齐的流行方法进行了评估，并根据其在不同性能度量和知识图谱特征方面的有效性将其排名。

    Mar, 2022

  • 知识图谱嵌入：概述

    本文综述了知识图谱完成中的当前研究状态，特别关注了知识图谱嵌入设计的两个主要分支：基于距离的方法和基于语义匹配的方法，并探讨了与最近提出的模型之间的关联及其背后的趋势，最后讨论了利用预训练语言模型和实体关系的文本描述相结合进行知识图谱完成的新方法。

    Sep, 2023