ICLRMay, 2022

StarGraph: 基于不完全二跳子图的知识表示学习

PDF
TL;DR本文提出了一种名为 StarGraph 的方法，其利用在大规模知识图谱中获取实体表示的新方法 —— 生成每个目标节点的不完整的二跳邻居子图，然后通过修改的自注意力网络处理以获得实体表示，以取代传统方法中的实体嵌入。该方法在 ogbl-wikikg2 上取得了 SOTA 性能并在 fb15k-237 上具有竞争力的结果，证明了 StarGraph 在语参数上的高效，并证明了它对大规模知识图谱的表示学习的巨大效能。
发现论文，激发创造
  • RDF-star2Vec: 用于数据挖掘的 RDF-star 图嵌入

    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

  • 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

  • 提升超关系知识图谱补全

    该研究提出了一种用于高度关联知识图谱 (HKGs) 补全的方法，该方法引入了两个新修订：一是用轻量级实体 / 关系嵌入处理技术替换计算量大的图神经网络模块以提高计算效率；二是增加一个定向于合格证的辅助训练任务以提高该方法的预测能力，并且该方法在三个基准数据集上的实验中始终优于 STARE，计算效率显著提高。

    Apr, 2021

  • 通过记忆推理：最近邻居知识图嵌入

    本文提出了通过预训练语言模型和 k 近邻的知识图谱嵌入新方法 kNN-KGE，使得 rare 或 emerging entities 更容易被显式地存储，而非隐式存在于模型参数中，实验证明该方法可提高归纳式和传导式链接预测结果，并在只有很少的三元组的低资源情况下获得更好的性能。

    Jan, 2022

  • 一个子图用于全部：归纳知识图谱补全中有效推理

    基于全局和局部锚点表示（GLAR）学习的归纳式知识图补全方法，在开放子图上进行推理，以更高效地评估候选实体，并通过全局和局部锚点学习丰富的独立特征来解决传统方法的问题。实验证明，GLAR 优于现有大多数最先进的方法。

    Apr, 2024

  • Walk-and-Relate: 基于随机游走的稀疏知识图谱表征学习算法

    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

  • 基于随机游走的知识图谱嵌入算法：Subgraph2vec

    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

  • 利用节点邻域改进知识图谱完成

    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

  • 属性图中的图表示学习：基于语义随机游走的方法

    该研究聚焦于属性图中的图表征学习（即网络嵌入）。与现有的嵌入方法不同，我们提出了一种新颖的语义图表征（SGR）方法，将两个异构源的联合优化结合到一个基于公共高阶接近度的框架中，以全面编码原始图中节点和属性之间的复杂同构和异构关系。我们证明，SGR 对于一系列实际图表现出了卓越的性能，成为了其他基线的有效替代方案。

    May, 2023

  • 知识图谱对比学习用于推荐

    提出了一种知识图谱对比学习的框架 (KGCL)，该框架通过知识图谱增强模式减少了噪声，利用交叉视图对比学习技术进一步抑制了噪声，实现了在稀疏、长尾和有噪声的知识图谱场景下的强大性能。

    May, 2022