ConE: 多跳知识图谱推理的锥体嵌入
研究提出了一种名为 ConE 的新型知识图谱嵌入模型,使用超球面锥体将实体嵌入到一个多维空间中,并对锥之间的变换建模,以同时捕捉多个异构的分层关系和非层次关系。实验结果表明,该模型在层次推理任务和知识图谱补全任务方面都比其他模型表现更好,这将有利于知识图谱应用和推理。
Oct, 2021
本文提出了一种新的概率嵌入模型(GammaE)来对知识图谱中的实体和查询进行编码以回答不同类型的 FOL 查询,并利用 Gamma 分布的线性性质和强边界支持来捕捉实体和查询的更多特征,GammaE 实现了 Gamma 混合方法来设计闭合联合算子,并在三个大型逻辑查询数据集上验证了 GammaE 的性能优于公共基准测试中的最新模型。
Oct, 2022
BetaE 是一个可处理不完整的知识图谱中任意一阶逻辑查询的概率嵌入框架,使用带限制支持的概率分布,具有更多的一阶逻辑操作并可以精确建模不确定性,相对于目前仅能处理且合取查询无法处理否定的最前沿知识图推理方法,BetaE 提高了高达 25.4% 的相对性能。
Oct, 2020
在机器学习中,通过保留相关网络属性的低维嵌入学习图表示是一类重要的问题。本文提出了一种嵌入有向无环图的新方法,使用证明能够更好地模拟树状结构的双曲空间,并使用一组嵌套的测地凸锥来定义分层关系,并证明这些蕴含锥体在欧几里得和双曲空间中均具有一种优化的形式,而且它们可以规范地定义嵌入学习过程。实验显示,我们的方法在表示能力和泛化方面都比最近的强有力的基线有显着的改进。
Apr, 2018
本文介绍了利用 Hyperboloid Embeddings 学习知识图谱表示的自监督逻辑查询推理方法,并将其应用于真实世界数据集和异常检测任务中,取得了显著的性能提升。
Dec, 2020
提出了一种神经符号交织的(ENeSy)复杂查询答案框架,该框架能够在神经和符号推理结果的基础上分别回答和集成查询,通过压缩和整合基本运算符和链接预测提高了复杂查询的效果,并应用于多项基准测试。
Sep, 2022
本研究提出了一种基于低维嵌入空间中的几何运算来有效处理知识图谱中逻辑查询的框架,能够在处理复杂查询时提高时间复杂度,这种方法应用于真实世界数据中能够提供有用的预测能力。
Jun, 2018
本论文提出了一种基于几何代数的知识图谱嵌入框架 GeomE,利用多向量表示和几何积模拟实体和关系,具有对称、反对称、逆序和复合等多种关系模式,具有良好的泛化能力,能在多个基准知识图谱上优于现有的最先进模型,适用于链接预测。
Oct, 2020