图神经网络对知识图谱补全是否真正有帮助?
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
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
KGNN 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。
May, 2022
本文提出了一种轻量级模块化知识图谱完成 (GreenKGC) 方案,该方案包含三个模块:表示学习、特征修剪和决策学习,旨在解决在获得更好推理能力的同时保持较小的模型大小。实验结果表明,GreenKGC 可以在较小的模型尺寸下达到与高维嵌入方法相当甚至更好的性能,并且可以推广到更多任务中。
Aug, 2022
本文提出了一种通过图神经网络对实体邻域进行建模的增强型框架用于知识图谱补全,同时引入额外的边链接预测任务。评估结果表明,该框架简单且有效,并且能够做出可解释预测。
Feb, 2023
本文通过建立变体研究了基于 Graph Convolutional Networks 的知识图谱完成模型,在实验中发现了与预期相反的图结构建模并不对模型性能产生显著影响,而实体表示的转换是改善性能的关键因素。作者基于此提出了 LTE-KGE 框架,通过线性转换实体嵌入向现有的 KGE 模型中添加 GCNs 模块以达到类似的性能提升。实验结果表明,与 GCN-based KGC 方法相比,LTE-KGE 模型在性能上有类似的提升,同时更具计算效率。因此,本文表明 GCNs 对于 KGC 并不必要,新型基于 GCNs 的 KGC 模型需要进行更多的消融研究来验证其有效性。
Feb, 2022
我们提出了一种改进基于语言模型的知识图谱补全方法,通过包含节点邻域作为附加信息,提高了预测效果,并且在多种评估数据集上优于传统方法和基于语言模型的 KGC 方法。我们还对邻域对模型预测的影响进行了详细分析,并指出了通过更有效的邻域选择来显著改进 KGC 的方向。
Nov, 2023
本文提出了一种新的方法,通过迭代学习来注入规则并学习表示以充分利用规则和嵌入,取得了高效性和可扩展性的良好平衡,并通过两个公共数据集的评估,优于当前最先进方法,提高了均值倒数排名(MRR)2.7%和 4.3%。
Jan, 2023