Sep, 2022

Walk-and-Relate: 基于随机游走的稀疏知识图谱表征学习算法

PDF
TL;DR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。
knowledge graph embeddingdata sparsitytriplet augmentationrandom walkmetapath
发现论文，激发创造
  • RelWalk：一种基于潜变量模型的知识图谱嵌入方法

    本文通过扩展随机游走模型将其用于知识图谱嵌入中，提出了一种衡量实体之间关系强度的评分函数，并给出了该方法的理论分析和学习目标。在实验中，我们使用了该方法对 FB15K237 和 WN18RR 数据集进行了准确的嵌入学习，为该理论提供了实证支持。

    Jan, 2021

  • 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

  • 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

  • 知识库表示学习的关系路径建模

    本文提出了一种基于路径的知识库表示学习模型，将多步关系路径作为实体之间表示学习的翻译，利用路径约束资源分配算法度量路径可靠性，并通过关系嵌入的语义组合来表示关系路径；实证研究结果表明，与基线方法相比，我们的模型在知识库完成和文本关系提取方面取得了显著且一致的改进。

    Jun, 2015

  • 跳着走！多尺度网络嵌入的在线学习

    我们提出了一种名为 Walklets 的算法，通过子采样短的随机游走，在图的顶点之间建立多尺度关系，从而生成多维表示，用于社交网络等多标签网络分类任务，其效果优于 DeepWalk 和 LINE 等方法，且为在线算法，可轻松扩展到数百万个顶点和边。

    May, 2016

  • 散步并到达答案：利用强化学习在知识库中推理路径

    提出了一种名为 MINERVA 的算法，采用神经强化学习方法解决在只知道一个实体的情况下，找到预测路径的困难问题，以实现知识库（KB）的完善，这种方法在多个数据集上均取得了最新成果。

    Nov, 2017

  • 随机游走图嵌入的更广泛视角

    该论文提出了一个基于随机游走的图嵌入分析框架，包括三个组件：随机游走过程、相似性函数和嵌入算法，该框架不仅可以分类许多现有方法，而且自然地激发新方法，通过它，我们演示了改进下游任务性能的多个尺度嵌入的新方法。此外，我们还发现，基于自协方差相似性的嵌入，在与点积排名进行链路预测时，比基于点互信息相似性的最先进方法表现提高了多达 100％。

    Oct, 2021

  • 一种基于实体图的行走模型，用于关系抽取

    提出了一种基于图的神经网络模型，用于关系提取，将句子中的实体对作为节点放置在全连接图结构中，边用围绕实体对的位置感知上下文表示，构建了不同关系路径，通过迭代更新边表示为更长的路径表示。在 ACE2005 数据集上实现了与最先进系统相当的性能而不使用任何外部工具。

    Feb, 2019

  • 基于结构和文本嵌入的知识图谱补全

    在本研究中，我们提出了一种关系预测模型，它利用了知识图中的文本和结构信息，并结合了步行式嵌入和语言模型嵌入来有效地表示节点。通过在一个广泛使用的数据集上进行评估，我们证明了我们的模型在关系预测任务中取得了有竞争力的结果。

    Apr, 2024

  • 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