Oct, 2022

GammaE: 基于 Gamma 的知识图谱逻辑查询嵌入

PDF
TL;DR本文提出了一种新的概率嵌入模型（GammaE）来对知识图谱中的实体和查询进行编码以回答不同类型的 FOL 查询，并利用 Gamma 分布的线性性质和强边界支持来捕捉实体和查询的更多特征，GammaE 实现了 Gamma 混合方法来设计闭合联合算子，并在三个大型逻辑查询数据集上验证了 GammaE 的性能优于公共基准测试中的最新模型。
knowledge graphslogical reasoninggeometric spaceprobabilistic embedding modelgamma embeddings
发现论文，激发创造
  • 知识图谱中的多次逻辑推理的 Beta 嵌入

    BetaE 是一个可处理不完整的知识图谱中任意一阶逻辑查询的概率嵌入框架，使用带限制支持的概率分布，具有更多的一阶逻辑操作并可以精确建模不确定性，相对于目前仅能处理且合取查询无法处理否定的最前沿知识图推理方法，BetaE 提高了高达 25.4% 的相对性能。

    Oct, 2020

  • 基于几何代数嵌入的静态和时态知识图完成

    本论文使用几何代数和张量分解提出了一种新的知识图谱表示学习方法 GeomE 和 TGeomE，用于解决深度学习中的时序数据问题。结果表明，该方法在四个常用的静态 KG 数据集和四个知名的时间 KG 数据集上实现了最先进的性能。

    Feb, 2022

  • ConE: 多跳知识图谱推理的锥体嵌入

    本研究提出一种新的查询嵌入模型，称为锥体嵌入（ConE），通过将实体和查询表示为二维锥形的笛卡尔积，处理与所有的一阶逻辑运算，包括合取，析取和否定，并在查询中引入几何补充算子，处理否定运算，从而在基准数据集上显著优于现有其他模型。

    Oct, 2021

  • 在几何代数中的知识图谱嵌入

    本论文提出了一种基于几何代数的知识图谱嵌入框架 GeomE，利用多向量表示和几何积模拟实体和关系，具有对称、反对称、逆序和复合等多种关系模式，具有良好的泛化能力，能在多个基准知识图谱上优于现有的最先进模型，适用于链接预测。

    Oct, 2020

  • 基于知识图谱逻辑查询的自监督双曲线表示

    本文介绍了利用 Hyperboloid Embeddings 学习知识图谱表示的自监督逻辑查询推理方法，并将其应用于真实世界数据集和异常检测任务中，取得了显著的性能提升。

    Dec, 2020

  • 在知识图谱上嵌入逻辑查询

    本研究提出了一种基于低维嵌入空间中的几何运算来有效处理知识图谱中逻辑查询的框架，能够在处理复杂查询时提高时间复杂度，这种方法应用于真实世界数据中能够提供有用的预测能力。

    Jun, 2018

  • 用于复杂查询答案的神经符号纠缠框架

    提出了一种神经符号交织的（ENeSy）复杂查询答案框架，该框架能够在神经和符号推理结果的基础上分别回答和集成查询，通过压缩和整合基本运算符和链接预测提高了复杂查询的效果，并应用于多项基准测试。

    Sep, 2022

  • 知识图谱逻辑查询的神经符号模型

    本文提出了一种名为 GNN-QE 的神经符号模型，用于回答复杂的一阶逻辑查询，在解决神经方法推理难以解释的问题的同时，取得了较显著的实验成果。

    May, 2022

  • 几何交互知识图谱嵌入

    本文阐述了通过将知识图谱嵌入欧几里得空间、双曲空间和高维球面空间，提出了一种基于几何交互方法的知识图谱嵌入（GIE）。实验结果表明，与其他嵌入方法相比，GIE 在三个知识图谱数据集上的表现更加优异。

    Jun, 2022

  • 用于复杂查询回答的逻辑嵌入

    该论文提出了使用 Skolemization 技术嵌入复杂查询的逻辑嵌入方法，支持否定查询、能够高效查询存在变量并优化建模、在大规模不完整知识图谱查询中快速准确，且在回答不确定性问题上提供了改进。

    Feb, 2021