RDF2vec 的实体和属性遍历方式
提出了一种利用 RDF2vec 不同图形遍历策略和实体的文本描述来进行实体打标的新方法(GRAND)。实验表明,引入上下文信息的方式和生成图行走序列的策略对于实体打标在 KG 中有重要影响。该方法在 DBpedia 和 FIGER 基准数据集上,对于精细和粗粒度类组合都优于基线方案。
Jul, 2022
提出了一种基于图的神经网络模型,用于关系提取,将句子中的实体对作为节点放置在全连接图结构中,边用围绕实体对的位置感知上下文表示,构建了不同关系路径,通过迭代更新边表示为更长的路径表示。在 ACE2005 数据集上实现了与最先进系统相当的性能而不使用任何外部工具。
Feb, 2019
在本研究中,我们介绍了一种名为 subgraph2vec 的知识图谱嵌入方法,通过在用户定义的子图内运行 walks,用于链接预测,并证明我们的方法在大多数情况下具有更好的性能。
May, 2024
本文提出了一种基于随机游走和词嵌入的本体嵌入方法 OWL2Vec *,该方法将 OWL 本体的语义编码为结合了图结构,词汇信息和逻辑构造式的表示。通过在三个真实数据集上的实证评估,我们发现 OWL2Vec * 在类成员预测和类包含预测任务中从本体的三个不同方面受益,并且通常在我们的实验中优于现有的技术水平。
Sep, 2020
RDF-star2Vec 是一种专为 RDF-star 图设计的新型知识图嵌入模型,通过引入图遍历技术和结构化跳字模型,能够更好地学习 RDF-star 图中的复杂关系和嵌套结构,并在分类、聚类、实体相关性和 QT 相似性等任务上表现出卓越的性能。
Dec, 2023
提出了一种有效的方法以解决知识图谱嵌入中数据稀疏问题。该方法通过随机游走产生附加三元组来增加三元组数量,并从产生的随机游走元路径中准确有效地过滤出信息元路径。
Sep, 2022
本文通过扩展随机游走模型将其用于知识图谱嵌入中,提出了一种衡量实体之间关系强度的评分函数,并给出了该方法的理论分析和学习目标。在实验中,我们使用了该方法对 FB15K237 和 WN18RR 数据集进行了准确的嵌入学习,为该理论提供了实证支持。
Jan, 2021
提出了一种基于图形的单词嵌入算法 Word-Graph2vec,通过将大语料库转换为单词共现图然后从该图中随机抽取单词序列样本并在此抽样语料库上训练单词嵌入,在实验中表现出较高的效率并且随着训练语料的增加,其性能优势变得越来越明显。
Jan, 2023
我们提出了一种名为 Walklets 的算法,通过子采样短的随机游走,在图的顶点之间建立多尺度关系,从而生成多维表示,用于社交网络等多标签网络分类任务,其效果优于 DeepWalk 和 LINE 等方法,且为在线算法,可轻松扩展到数百万个顶点和边。
May, 2016