May, 2022

KGNN：面向图神经知识表示的分布式框架

PDF
TL;DRKGNN 框架采用 GNN 编码器和知识感知解码器，旨在以细粒度的方式共同探索高阶结构和属性信息，同时在知识图谱中保留关系模式，并在链接预测和三元组分类任务上展示了其有效性和可扩展性。
knowledge representation learningknowledge graphkgnngnn encodertriplet classification
发现论文，激发创造
  • 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

  • 知识图谱卷积网络用于推荐系统

    本文提出了 Knowledge Graph Convolutional Networks (KGCN) 的方法，通过在知识图谱上挖掘和利用互相关联的属性来有效地捕捉物品之间的相关性，扩展感受野以建模高阶邻近信息，并将邻居信息与偏差相结合计算给定实体的表示，以优化协同过滤型推荐系统的性能。实验结果表明，该方法在电影、图书和音乐推荐的三个数据集上优于强基线算法。

    Mar, 2019

  • 一种基于检索和阅读的知识图谱链接预测框架

    提出了一种新颖的基于 Transformer 的图网络模型，实现了检索 - 阅读框架，提高了知识图谱链接预测的性能。

    Dec, 2022

  • 知识增强的图神经网络

    提出 KeGNN，一种神经符号框架，结合了神经和符号方法，用于图数据的学习，旨在通过添加系统先前知识来提高精度，并通过多个基准数据集的节点分类进行评估。

    Mar, 2023

  • 图神经网络对知识图谱补全是否真正有帮助？

    本篇研究通过探索评分函数和损失函数的设计，发现相比于复杂的图神经网络，简单的多层感知器 (MLP) 模型能够实现与之相似的性能表现，在知识图谱补全 (KGC) 方面不一定需要高度复杂的聚合方式。

    May, 2022

  • 知识图谱上的深度学习在推荐系统中的应用：综述

    本文综述了基于图神经网络的知识感知深度推荐系统的现状和发展方向，重点讨论了核心组件 —— 图嵌入模块，以及它们如何解决实际推荐问题，例如规模扩展，冷启动等，并总结了常用的基准数据集、评估指标和开源代码。

    Mar, 2020

  • KGNN：基于核网络的半监督图分类

    本文研究了半监督图分类问题及其解决方法的一种 KGNN 模型，在该模型中，图神经网络（GNN）结合基于内存的核网络进行分类，通过学习图表示并使用图内核来有效地使用标记的图和未标记的图。实验证明，KGNN 比竞争基线方法表现出更好的性能。

    May, 2022

  • 图神经网络知识的提取与扩展：一种有效的知识蒸馏框架

    本文提出一种基于知识蒸馏的框架，利用参数化标签传播和特征转换模块搭建简单的学生模型。实验结果表明，该模型在 5 个公共基准数据集上相对于 7 个图神经网络的教师模型平均能提高 1.4% - 4.7% 的准确度，并且具有更可解释性的预测过程。

    Mar, 2021

  • 缓解知识图谱中的关系偏差

    提出了一种名为 Fair-KGNN 的知识图谱神经网络框架，可以同时减轻知识图谱中个体偏见和关系偏见的影响，从而实现表示学习的公平性和预测性能。

    Nov, 2022

  • DGNN：属性和图嵌入表示的结构一致性解耦的图神经网络

    通过解耦特征和图信息，提出了一种新的图神经网络框架（Decoupled Graph Neural Networks，DGNN），以获得更全面的节点嵌入表示，并通过在属性和图空间中探索不同的嵌入表示来提高节点分类的性能。

    Jan, 2024