Nov, 2022

使用三元对比学习缓解开放知识图谱的稀疏性

PDF
TL;DR本文提出了一种基于三元传播模式的对比学习框架 TernaryCL，该框架结合了多种方法以解决在 OpenKGs 中出现的零样本、少样本和同义词问题，并证明了其在基准测试中的优越性。
open knowledge graphssparse linksfew-shot entitiescontrastive learningternarycl
发现论文，激发创造
  • 知识图谱对比学习用于推荐

    提出了一种知识图谱对比学习的框架 (KGCL)，该框架通过知识图谱增强模式减少了噪声，利用交叉视图对比学习技术进一步抑制了噪声，实现了在稀疏、长尾和有噪声的知识图谱场景下的强大性能。

    May, 2022

  • 基于关系对称性的知识图谱对比学习

    本文介绍了一种基于关系对称结构的知识图谱对比学习框架 KGE-SymCL，通过设计可插拔的方法将关系对称位置中的实体作为正样本用于对比学习，同时使用自监督对齐损失来使构建的样本对更加相似，实验结果表明该框架具有很好的泛化能力和优越性。

    Nov, 2022

  • KRACL: 基于图上下文建模的对比学习用于稀疏知识图谱补全

    通过图上下文和对比学习，提出了一种新的知识图谱完成框架 KRACL，包括 Knowledge Relational Attention Network 和知识对比损失，能够有效地解决知识图谱中低出现频率实体的稀疏性和噪声三元组的鲁棒性问题。实验表明，KRACL 在多个标准知识图谱基准测试中取得了优异的结果。

    Aug, 2022

  • 为少样本知识图谱补全学习关系特定表示

    本文提出了一种关系特定的上下文学习框架，通过提取图上的上下文信息和设计分层注意力网络和注意力池化器，可以全局和局部地学习表示来进行 FKGC 任务，实验结果证明了其优于现有的方法。

    Mar, 2022

  • 少样本知识图谱补全

    本论文提出了一个新的模型，即 FSRL 模型，在少量有参考的情况下学习新关系，可以更有效地从异构图结构中获取知识，并匹配每个关系的参考集中的相似实体对。实验结果表明，该模型优于现有的最先进的模型。

    Nov, 2019

  • 对比知识图谱错误检测

    本文提出了一种新的框架，ContrAstive knowledge Graph Error Detection (CAGED), 结合了 Knowledge Graph (KG) 的 embedding 和对比学习的 loss，对 KG 中的三元组进行可靠性评估，从而检测异常，通过在不同超视图中的建模 CAGED 比现有方法表现更好。

    Nov, 2022

  • 超图上的三向对比学习：我是我，我们是我们，我和我们

    本文提出了 TriCL（三向对比学习）- 一种针对超图的对比学习框架，结合了数据扩充和负采样机制，使模型能够在节点嵌入中捕获微观和介观结构信息，并在多个基准测试中表现出色，尤其是在节点分类方面取得了显着的优势。

    Jun, 2022

  • 无监督图对比学习中的结构和语义全局知识获取

    本文提出了一种基于结构和语义对比学习算法框架的简单神经网络 - S^3-CL，用于在无监督情况下学习表达具有全局结构和语义的节点特征，通过实验表明与现有的基于 GNN 的无监督 GCL 方法相比，S^3-CL 在不同的下游任务上可以获得优异的表现。

    Feb, 2022

  • 基于多层交叉视图对比学习的知识感知推荐系统

    本文提出了一种新的多层交叉视角对比学习机制 MCCLK，包含三个图视角：全局结构视角、本地合作和语义视角，在语义视角中，还提出了一个 k 最近邻（kNN）项 - 项语义图构建模块，以捕捉通常被忽略的重要项 - 项语义关系，在三个基准数据集上进行了广泛的实验，结果表明了我们的方法优于现有技术。

    Apr, 2022

  • 处理知识图谱补全中的长尾关系和罕见实体

    该研究提出了一种基于元学习的框架，通过使用文本描述来处理罕见关系和少见实体，其中包括一个新颖的模型来更好地从文本描述中提取关键信息，并引入了新的生成模型来增强性能。实验结果表明，此框架处理罕见关系和少见实体时优于以往的方法。

    Sep, 2019