IJCAIJul, 2022

子图邻域关系信息最大化的归纳式知识图谱链接预测

PDF
TL;DR本研究提出了一种利用相邻子图信息来求解知识图谱中未观察实体之间关系的方法，其中利用相邻关系来强化节点特征和稀疏子图的关系，并应用互信息最大化来全局建模相邻关系，实验证明该方法在归纳式链接预测任务上明显优于现有最先进方法，并证实了全局建模相邻关系在特征建模和稀疏子图推理中的有效性。
inductive link predictionknowledge graphsubgraphneighboring relationsmutual information
发现论文，激发创造
  • 基于子图推理的归纳关系预测

    提出了一种基于图神经网络的关系预测框架 GraIL，该框架可以推理本地子图结构并具有强的归纳偏差来学习独立于实体的关系语义。与基于嵌入的模型不同，GraIL 是自然归纳的，并且可以在训练后推广到未看到的实体和图形。在归纳设置中，GraIL 优于现有的规则归纳基线。

    Nov, 2019

  • 知识图谱中基于路径的神经网络的归纳链接预测

    本文提出了使用孪生神经网络的基于路径的归纳链接预测模型 SiaILP，仅依赖关系和路径嵌入，可泛化到新实体而无需微调，实验证明该模型在归纳版本的 WN18RR、FB15k-237 和 Nell995 的链接预测任务中取得了多个最新的最优性能。

    Dec, 2023

  • 归纳关系推理的消息互通

    本文提出一种基于图归纳学习的归纳关系推理模型，名为 MINES，引入了邻居增强子图上的消息互通机制，以捕获省略的隐藏信息，从而超越了现有的最先进模型，并展示了我们的互联机制和邻居增强子图上的关系推理的有效性。

    May, 2023

  • 通过关系图进行归纳式知识图谱嵌入的 InGram 算法

    本文提出一种名为 InGram 的机器学习方法，该方法能够在推理时生成新实体和新关系的嵌入向量，通过引入注意力机制和关系图来整合邻居节点的嵌入向量，并在多种归纳学习场景中取得了优于 14 种现有方法的效果。

    May, 2023

  • 多关系网络推理的自适应邻域图构建

    提出了一个能够动态调整邻居图的框架，它能够根据中间推理结果的状态和相互连接的结构属性来处理多关系数据，并根据中间推理结果使用不同数量的关系。将链接预测任务制定为对邻域图的推理，并包括初步结果来说明我们提出的框架中不同策略的影响。

    Jul, 2016

  • 多跳知识库问答的子图检索增强模型

    本研究提出了一种可训练的子图检索器（SR），它与后续的推理过程分离，可增强任何以子图为导向的 KBQA 模型，并通过弱监督的预训练以及端到端的微调，与 NSM 组合成为新的基于嵌入的 KBQA 方法的最新的最先进的表现。

    Feb, 2022

  • 一个基于邻域交互模型的端到端知识增强推荐系统

    本文研究了基于图的推荐系统，提出了一种邻域交互模型（NI）来处理数据稀疏性和冷启动问题，通过使用知识图谱和图神经网络（GNN），提出了知识增强的邻域交互（KNI）模型，实现了优越的性能表现。

    Aug, 2019

  • 基于关系匿名游走导向神经过程的知识图谱少样本归纳链接预测

    本文提出了一种基于关系匿名游走引导的神经过程模型 RawNP，用于在知识图谱上进行少样本归纳链接预测，并在典型基准数据集上展示出了新的最先进性能。

    Jun, 2023

  • InfoGraph：利用互信息最大化进行无监督和半监督图级表示学习

    本文研究无监督与半监督情境下，学习整个图的表示。通过最大化不同规模子结构（例如节点，边和三角形）的表示和图表示之间的互信息，提出了名为 InfoGraph 的图级表示学习方法。InfoGraph 优于现有的竞争基线。同时，我们还提出了一个名为 InfoGraph * 的扩展，主要用于半监督学习。

    Jul, 2019

  • 自监督元图 Informax 网络的社交推荐

    该研究提出了一种利用社交网络信息进行协同过滤推荐的方法，通过设计元路径引导的异构图神经网络和自监督图协同过滤来建立用户偏好表示，以探索全局协作关系和基于图拓扑的同构变换性质，实现对用户行为四面八方的评估。实验结果表明，在多种实际数据集上，该方法优于其他各种最先进的推荐方法。

    Oct, 2021