知识图谱嵌入的子采样技术解析
KGEx 是一种新颖的后处理方法,通过借鉴替代模型研究来解释知识图嵌入(KGE)中的个别链接预测,并通过训练替代 KGE 模型识别重要的训练三元组,从而提供对于黑盒模型忠实的解释。
Oct, 2023
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
本文综述了知识图谱完成中的当前研究状态,特别关注了知识图谱嵌入设计的两个主要分支:基于距离的方法和基于语义匹配的方法,并探讨了与最近提出的模型之间的关联及其背后的趋势,最后讨论了利用预训练语言模型和实体关系的文本描述相结合进行知识图谱完成的新方法。
Sep, 2023
知识图谱补全(KGC)通过建立知识图谱嵌入(KGE)模型、探索连接子图解释方法和评估器等手段,有效改善知识图谱的不完整性问题,并在人类评估中取得了 83.3% 的最优比例。
Apr, 2024
本文介绍了基于嵌入式知识图谱网络的知识库完成方法,通过使用端到端反向传播训练,可以将大型知识库压缩成优化的版本,并在知识库完成基准测试中取得了最新的最佳结果。
Nov, 2016
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
研究知识图谱嵌入在未知数据上的外推能力和建立更好外推能力的方法,通过三个不同层次的语义证据,提出了 Semantic Evidence aware Graph Neural Network (SE-GNN) 模型,达到了知识图谱完成任务的最佳表现并具有更好的外推能力。
Sep, 2021