Sep, 2022

TripleRE: 通过三倍关系向量进行知识图谱嵌入

PDF
TL;DRTripleRE 是一种新的知识图谱嵌入方法，其创新性地将关系向量分为三部分并利用残差概念实现更好的性能。此外，使用 NodePiece 对实体进行编码取得了良好的效果，缩小了参数大小并解决了可扩展性的问题，实验表明我们的方法达到了大规模知识图谱数据集的最先进水平，且在其他数据集上也有竞争力。
发现论文，激发创造
  • 灵活翻译的知识图谱嵌入

    本文介绍了知识图谱嵌入的相关研究，提出了一种新的模型 ——TransF，有效地解决了前置模型无法处理的关系问题，并通过基准数据集的链接预测和三元组分类实验，证明了该模型相对于其他前沿模型具有明显的性能提升。

    May, 2015

  • PairRE: 基于配对关系向量的知识图谱嵌入

    我们提出了 PairRE 模型，能够处理复杂的关系以及编码多种关系模式（如对称 / 反对称、逆向和组合），并且能够进一步编码子关系，从而在链接预测任务上取得了最新的最好结果。

    Nov, 2020

  • RatE: 知识图谱补全的关系自适应嵌入

    本文提出了一种基于复杂空间中新颖的加权乘积所构建的关系自适应翻译函数的嵌入方法，即 RatE，该方法具有高度的表达能力，可以有效地缓解嵌入歧义问题，并在四个链接预测基准测试中取得了最先进的性能。

    Oct, 2020

  • TranSHER: 用超椭球约束翻译知识图谱嵌入

    通过提出 TrasnSHER 的评分函数，可以更好的处理知识图完成任务中实体的优化问题，得到更好的预测结果。

    Apr, 2022

  • 基于三元组 BERT 网络的知识图谱精化

    本文利用三元组网络和基于 transformer 的语言模型，采用信息聚类方式对知识图谱中的实体或关系进行 embedding，提升关系预测准确性。通过在多个基准知识图谱上的 triplet 分类和关系预测任务的表现验证了 GilBERT 方法的优越性。

    Nov, 2022

  • 多关系投影下的知识图谱嵌入

    TransF 是一种新型的基于翻译的方法，可用于对知识图谱进行嵌入学习和关系预测，在处理具有数千种关系的复杂知识图谱时，具有高效性和鲁棒性，比现有的方法表现更好。

    Jan, 2018

  • TranS: 基于转换的知识图谱嵌入与合成关系表示

    本论文提出了一种新颖的基于转移的知识图谱嵌入方法 TranS，使用合成的关系表示法代替传统评分模式中的单一关系向量，以有效和高效地解决相同实体对具有不同关系的复杂情况，实验结果表明，该模型在 ogbl-wikikg2 上实现了最先进的表现。

    Apr, 2022

  • TransG：用于知识图谱嵌入的生成式混合模型

    本文提出了一种名为 TransG 的高斯混合模型，用于嵌入具有多种关系语义的知识图谱，并且是第一个可以处理多种关系语义的生成模型。实验结果表明，该模型在知识图谱嵌入方面具有显著的优势。

    Sep, 2015

  • 一种基于关系记忆的嵌入模型，用于三元组分类和搜索个性化

    介绍一个新的嵌入模型 R-MeN，它利用关系内存网络探索关系三元组中的潜在依赖关系，以提高新三元组的分类准确性和个性化搜索效果。经实验证明，该模型在三元组分类和个性化搜索任务上取得了最佳性能表现。

    Jul, 2019

  • 通过弱监督重新利用知识图谱嵌入进行三元组表示

    本文提出了一种基于预训练知识图谱嵌入的三元组表示微调方法，利用 Siamese 网络训练，从而在三元组分类和聚类任务中实现了与其他最新技术相比的一致性改进。

    Aug, 2022