提出了一种基于知识图谱自编码器(KGAE)的无监督学习模型,实现医学图像和文本信息自动关联。在医学报告生成中,KGAE 的性能达到目前同类模型的最高水平。
Nov, 2021
本文提出一种名为 CUVA 的联合模型,使用变分自编码器来进行实体和关系短语的嵌入式特征提取与聚类,改善了 open knowledge graphs 中实体重复和模糊性的问题,并在多个基准测试中证明了其优于现有最先进技术的表现。同时为此也构建了一个新的数据集 CanonicNell 用于评估实体归一化系统。
Dec, 2020
此研究通过自编码器联合训练关系,实现了维度缩减技术,提高了知识库完成任务的效率,并展示了联合训练对于发掘关系组合限制和有益于组合训练的可解释性稀疏编码的促进作用。
May, 2018
本文介绍了自动化构建特定查询的文档和实体知识图谱(KGs)以及使用排名系统获取相关文件和实体之间的关系的方法,重点关注代码数据集,此外,提到了使用实体反馈技术来改善文档排名效果、适应性 KG 检索算法和基于图神经网络(GNN)的加权方法等未来的研究方向和挑战。
Nov, 2022
研究探讨了 social networks 中节点语义,但对个人资料中的边引用语义关注不足,因此本文致力于将多种模态的信号整合到一个基于概率图模型的框架中,以实现对社交网络中用户之间意义丰富的关系的建模。通过试验和案例研究表明了该模型的高效性和优越性能。
Nov, 2019
我们开发了新型的 KGE 框架,使用智能化实体类型嵌入自动化技术,可以更好地表示实体的信息并可同时推断出对称性、倒置性、组合关系以及 1-N、N-1 和 N-N 等复杂关系,相较于现有的先进基础线性任务,实验表明我们提出的模型对于关系预测具有明显的优势。
Sep, 2020
本文旨在探讨网络规模的视觉实体识别,介绍了一个名为 GER 的新型实体识别框架,通过学习自动解码一个语义和区别性的 “编码” 来识别目标实体,并证明其在应对网络规模识别复杂性方面具有优势。
Mar, 2024
本文研究了基于时间的知识图谱中的联结预测问题,提出一种使用循环神经网络和潜在因式分解相结合的方法,以学习具有时间感知的关系类型表示,以解决现实世界知识图谱中稀疏性和异质性等问题,并在四个时间知识图谱数据集上进行了实验验证。
Sep, 2018
本文提出了一种 VRKG4Rec 模型,该模型能够明确地区分不同关系对于项表示学习的影响,并采用本地加权平滑机制对节点进行编码,同时使用这种机制在用户 - 物品二分图上进行用户表示学习,旨在改善推荐系统的性能,实验结果表明该模型优于现有的最先进方法。
Apr, 2022
通过关键词提取和图拉普拉斯学习,AutoKG 用于自动构建知识图谱的轻量高效方法,通过向语言模型丰富 LLM 输出,提供了比语义相似性搜索更全面和相互关联的知识检索机制。
Nov, 2023