Nov, 2022

DeepE：用于知识图谱嵌入的深度神经网络

PDF
TL;DR本文提出了一种基于神经网络的模型 DeepE，在知识图谱嵌入任务中运用多个构建模块，通过对头实体和关系进行预测来预测尾实体。模型堆叠多个构建模块以预测尾实体。这些构建模块等同于使用不同非线性深度的一组学习函数。DeepE 的主要优点是鲁棒性，比其他基线模型表现更好。
neural networkknowledge graph embeddingdeepebuilding blocksstate-of-the-art
发现论文，激发创造
  • 利用实体邻居和深度记忆网络的知识图谱嵌入

    本文提出了一种称为实体邻居的新型附加信息，并使用深度记忆网络模型编码邻居信息。通过引入门控机制，结构和邻居的表征被整合成一个联合表征，实现了知识图谱嵌入（KGE）技术中实体表示的最新技术性能。

    Aug, 2018

  • 从宽到深：用于参数高效知识图谱嵌入的维度提升网络

    该文提出了一种深度嵌入网络技术 - LiftNet，通过提高网络层数和减少参数数量的方式，实现在不损失准确性的情况下实现知识图谱嵌入的参数效率，并在三个公共数据集上实现比传统方法更准确的链路预测结果。

    Mar, 2023

  • 知识图谱嵌入：概述

    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

  • 二维卷积知识图谱嵌入

    本研究设计了一种多层卷积网络模型 ConvE 用于知识图谱的链接预测，针对多种常见数据集进行了实验，获得了与 DistMult 和 R-GCN 相媲美的性能，极大提高了参数效率，并发现简单基于规则的模型可以获得 WN18 和 FB15k 数据集的最优效果

    Jul, 2017

  • 超网络的结构深度嵌入

    本文提出了一种新的深度超网络嵌入模型，采用非线性元组相似函数保持超网络中的本地和全局相似性，并且在 GPS 网络、在线社交网络、药物网络和语义网络上的实验结果表明，该方法能够显著且持续地优于现有算法。

    Nov, 2017

  • DualDE: 双重蒸馏知识图谱嵌入以加速和降低推理成本

    提出一种双重教导方法 DualDE，用于提高知识图谱嵌入的推理效率，通过软标签评估机制和两阶段蒸馏方法，可以将高维 KGE 减少 7-15 倍，推理速度提高 2-6 倍。

    Sep, 2020

  • 序列到序列的知识图谱补全与问答

    本研究使用 Transformer 模型代替传统知识图谱嵌入模型 (KGE) 的原子嵌入表示，将 KG link prediction 问题转化为序列到序列任务以及使用自回归解码。相比于传统 KGE 模型，这种简单而强大的方法在保持推理时间可控的同时，将模型大小减少了多达 98％，在不进行过多超参数调整的情况下，在多个大型数据集上的表现优于基线。

    Mar, 2022

  • 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

  • DeepER -- 深度实体分辨

    本文介绍了一种名为 DeepER 的新型实体解析（ER）系统，该系统利用了先进的深度学习技术，通过使用递归神经网络（RNN）和分布式表示（即向量）等方法。提高了解析准确性、效率和易用性，相比传统机器学习方法无需人工标记数据和手工制定特征和相似性函数阈值。在多个数据集上进行测试的实验结果表明，DeepER 优于现有的解决方案。

    Oct, 2017

  • DeepKE：基于深度学习的知识抽取工具包，用于知识库填充

    DeepKE 是一款开源的知识提取工具，支持复杂的低资源、文档级别和多模态场景。它实现了各种信息提取任务，包括命名实体识别、关系提取和属性提取。

    Jan, 2022