本体知识图谱嵌入的解释效果:局部性和规则语言的影响
该研究比较短缺实际的现有图谱的 16 种最新方法的有效性和效率,并考虑到一种基于规则的基线,提出了具有可扩展性的维度以评估嵌入 LP 方法的介绍。
Feb, 2020
本研究论文介绍了一种新颖的模型,将知识图谱中的实体和关系编码为低维向量空间,并将上下文信息和字面信息融入到实体和关系嵌入中,使用图卷积网络进行建模,通过置信度和相关性度量评估上下文信息的重要性,并通过字面信息的表示来计算相关性度量。我们在两个常用基准数据集上进行了全面的实验证实以验证模型的性能。
Dec, 2023
本文提出了一种新的方法,通过迭代学习来注入规则并学习表示以充分利用规则和嵌入,取得了高效性和可扩展性的良好平衡,并通过两个公共数据集的评估,优于当前最先进方法,提高了均值倒数排名(MRR)2.7%和 4.3%。
Jan, 2023
该论文提出了一种新的逻辑规则增强的知识图谱嵌入方法,可以与任何基于转换的知识图谱嵌入模型(如 TransE)轻松集成。经过广泛的实验,在链接预测和三元组分类上显示出更好的性能提升。
Mar, 2019
通过将知识图谱嵌入的数据驱动能力与领域专家或包含 OWL2 的蕴涵方案等领域特定推理松散地耦合,我们不仅能够提高预测精度,而且还允许用户插入自己的知识图谱嵌入和推理方法。我们的初步结果表明,我们的方法将基准知识图嵌入的平均倒数排名(MRR)精度提高了最高 3 倍,并且超过了将知识图嵌入与规则挖掘和推理相结合的混合解决方案高达 3.5 倍 MRR。
Feb, 2022
在本研究中,我们提出了一种新的方法,通过在给定知识图谱上应用预训练的实体和关系嵌入来增强知识图谱,并运用规则挖掘系统,从而结合了规则挖掘和基于嵌入的方法的优点,我们在七个基准数据集上进行了大量实验证明了我们的方法的有效性,并提供了开源实现、预训练模型和数据集。
Jun, 2024
本文提出了一种名为 RulE 的框架,它融合了元素、关系和逻辑规则。通过在统一嵌入空间中学习每个逻辑规则的嵌入向量,RulE 可以以软方式进行逻辑推断,并为每个规则分配置信度分数,从而提高知识图嵌入的泛化性能。通过对多个基准知识图进行实验,RulE 的有效性得到了证明。
Oct, 2022
本文提出了一种基于关系视图的框架,使我们可以研究本体知识和不同类型向量空间嵌入之间的兼容性,并证明了一些现有的嵌入方法无法建模一些简单的规则,同时研究了关系建模为凸区域的模型,发现使用凸区域可精确表示所谓的准链式存在量规则的本体,从而对于所有在这个向量空间内运用的事实都是逻辑一致和推导闭合的。
May, 2018
本文对考虑包括文本、数字、图像等非结构化信息的 KG 嵌入模型进行了综述和对比,同时在相同条件下对链接预测的不同方法进行了实证评估。
Oct, 2019