Apr, 2022

TranS: 基于转换的知识图谱嵌入与合成关系表示

PDF
TL;DR本论文提出了一种新颖的基于转移的知识图谱嵌入方法 TranS，使用合成的关系表示法代替传统评分模式中的单一关系向量，以有效和高效地解决相同实体对具有不同关系的复杂情况，实验结果表明，该模型在 ogbl-wikikg2 上实现了最先进的表现。
发现论文，激发创造
  • 灵活翻译的知识图谱嵌入

    本文介绍了知识图谱嵌入的相关研究，提出了一种新的模型 ——TransF，有效地解决了前置模型无法处理的关系问题，并通过基准数据集的链接预测和三元组分类实验，证明了该模型相对于其他前沿模型具有明显的性能提升。

    May, 2015

  • TransG：用于知识图谱嵌入的生成式混合模型

    本文提出了一种名为 TransG 的高斯混合模型，用于嵌入具有多种关系语义的知识图谱，并且是第一个可以处理多种关系语义的生成模型。实验结果表明，该模型在知识图谱嵌入方面具有显著的优势。

    Sep, 2015

  • 多关系投影下的知识图谱嵌入

    TransF 是一种新型的基于翻译的方法，可用于对知识图谱进行嵌入学习和关系预测，在处理具有数千种关系的复杂知识图谱时，具有高效性和鲁棒性，比现有的方法表现更好。

    Jan, 2018

  • TransEdge: 面向知识图谱的关系上下文嵌入翻译

    本文提出了一种基于边的嵌入模型 TransEdge，通过上下文化的方式对知识图谱中的关系进行表示，取得了优秀的性能表现，在基于嵌入的实体对齐方面达到了最好的结果。

    Apr, 2020

  • SpaceE: 基于实体空间中关系线性变换的知识图谱嵌入

    提出了一种名为 SpaceE 的翻译距离 (KGE) 基于线性变换的方法来模拟知识图谱中实体的关系，它可以很好地建模与非注射关系模式， 并且在许多具有非注射关系的数据集中明显优于现有的 KGE 方法。

    Apr, 2022

  • 序列到序列的知识图谱补全与问答

    本研究使用 Transformer 模型代替传统知识图谱嵌入模型 (KGE) 的原子嵌入表示，将 KG link prediction 问题转化为序列到序列任务以及使用自回归解码。相比于传统 KGE 模型，这种简单而强大的方法在保持推理时间可控的同时，将模型大小减少了多达 98％，在不进行过多超参数调整的情况下，在多个大型数据集上的表现优于基线。

    Mar, 2022

  • TransA: 知识图谱嵌入的自适应方法

    研究了知识表示在人工智能中的重要性，提出了基于转换的方法矢量化实体和关系，然后通过使用基于度量学习的自适应度量方法来提高性能。在基准数据集上通过实验证明了该方法的显着改进，领先于现有的基线模型。

    Sep, 2015

  • TranSHER: 用超椭球约束翻译知识图谱嵌入

    通过提出 TrasnSHER 的评分函数，可以更好的处理知识图完成任务中实体的优化问题，得到更好的预测结果。

    Apr, 2022

  • STransE: 一种知识库实体和关系的新型嵌入模型

    本文提出一种新的嵌入式模型 STransE，结合了多种先前的链接预测模型，用于知识库的链接预测任务，它将每个实体表示为低维向量，用两个矩阵和一个翻译向量表示每个关系，并在两个基准数据集上获得更好的链接预测表现。

    Jun, 2016

  • 跨语言知识对齐的多语言知识图谱嵌入

    本文提出了一种基于翻译模型的多语言知识图谱嵌入方法 MTransE 来实现跨语言的知识对齐，并采用不同的转化技术和损失函数来生成五种模型，实验证明该方法在跨语言实体匹配和三元组对齐方面取得了很好的效果。

    Nov, 2016