IJCAIMay, 2022

基于关系的嵌入传递方法在知识表示学习中的简单有效应用

PDF
TL;DR提出一种名为 REP 的方法，该方法是一种后处理技术，可用于以前训练的知识图嵌入与图形上下文相适应。REP 具有显着的可扩展性，在改善或维持预测质量的同时平均带来相对 10％的提高，并需要 5％-83％的时间才能达到与最先进 GC-OTE 相当的结果。
relational graph neural networksknowledge graphsembedding propagationcontext functionsprediction quality
发现论文，激发创造
  • 利用知识图谱嵌入增强关系抽取的上下文表示

    本论文使用预训练的知识图谱嵌入模型，结合文本语料库的句子级上下文表示，实现了较高性能的关系抽取模型，并通过实验验证了该方法的有效性和出色性能。

    Jun, 2023

  • 在知识图谱中学习基于注意力机制的嵌入向量以预测关系

    该研究论文提出了基于注意力机制的特征嵌入方法，能有效地捕捉到三元组周边复杂和隐式的信息，并在多个数据集上相对于现有方法实现了显著的性能提升。

    Jun, 2019

  • 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

  • 基于上下文增强的实体关系嵌入方法用于知识图谱补全

    提出了一种名为 AggrE 的模型，该模型通过对实体和关系的上下文进行多跳的高效聚合，学习增强上下文的实体和关系嵌入，以完成知识图的补全。实验结果表明，AggrE 模型竞争力强。

    Dec, 2020

  • 高效嵌入动态知识图谱

    提出了一种上下文感知的动态知识图谱嵌入方法 (DKGE)，该方法利用两个有注意力机制的图卷积网络、一种门控策略和翻译操作，通过双重表示 (知识嵌入和上下文元素嵌入) 联合模型化实体和关系及其环境，以快速获取更新的知识图谱嵌入，同时支持从头开始的知识图谱嵌入。实验证明 DKGE 在动态环境下具有良好的有效性和效率。

    Oct, 2019

  • 在知识图谱中学习利用长期关系依赖

    本文提出了一种基于循环跳跃网络的知识图谱嵌入方法，能够高效地捕获实体之间长期关系，特别适用于跨知识图谱嵌入和实体对齐等任务，在实验中达到当前最优水平。

    May, 2019

  • TripleRE: 通过三倍关系向量进行知识图谱嵌入

    TripleRE 是一种新的知识图谱嵌入方法，其创新性地将关系向量分为三部分并利用残差概念实现更好的性能。此外，使用 NodePiece 对实体进行编码取得了良好的效果，缩小了参数大小并解决了可扩展性的问题，实验表明我们的方法达到了大规模知识图谱数据集的最先进水平，且在其他数据集上也有竞争力。

    Sep, 2022

  • 多模式学习基于注意力机制的知识图谱关系预测

    本文提出了一种基于注意力机制、利用传递路径信息和局部语义的多模式嵌入模型（ÆMP），用于学习知识图谱中实体和关系的语境化表示，并在多个知识图谱基准上获得了大幅度的预测性能提升。

    Jun, 2022

  • 利用知识图谱上下文的关系抽取与图神经网络 (RECON)

    本文提出了一种名为 RECON 的新颖方法，可以自动识别句子中的关系并将其与知识图谱对齐，使用图神经网络学习句子和知识图谱中存储的事实的表示，并评估了不同形式表示 KG 上下文对 RECON 性能的影响。经验评估结果显示，RECON 对于 NYT Freebase 和 Wikidata 数据集表现均优于现有方法。

    Sep, 2020

  • 基于分层变压器的关系路径和上下文感知归纳关系预测

    本文提出了一种名为 REPORT 的新方法，利用 Transform 器框架同时聚合关系路径和上下文，能够自然地推广到完全归纳设置，实验表明 REPORT 在两个完全归纳数据集的八个版本子集中表现比所有基线方法都要好，同时提供可解释性的预测结果。

    Apr, 2023