Mar, 2023

利用语义驱动的损失函数增强知识图谱嵌入模型

PDF
TL;DR本研究提出了一种基于语义驱动的链接预测中的三种主要损失函数的版本，通过将关系域和范围的背景知识注入损失函数，不同地对待负三元组的分数，扩展了传统方法。在三个公共基准 KG 上进行了广泛的实验，结果表明，所提出的损失函数系统地提供了令人满意的结果，向更好的语义意识驱动了 KGEMs，这凸显了语义信息在 KGEMs 中的全局改进，可以应用于不同的 KGs。
knowledge graphembedding modelslink predictionloss functionssemantic-driven
发现论文，激发创造
  • Sem@$K$: 我的知识图谱嵌入模型是否具备语义感知能力？

    本文介绍了一种基于 Sem@$K$ 度量的知识图谱嵌入模型性能评估方法，探讨了使用基于排名的度量标准和语义感知度量标准来评估知识图谱嵌入模型的优缺点，并发现两种度量方式在预测能力和实际性能方面各有优劣。

    Jan, 2023

  • 先有模式！用 MASCHInE 捕捉语义，学习多功能知识图嵌入

    使用为生成原型图设计的启发式算法，从而生成可用于学习知识图嵌入的原型图嵌入，这有助于创造更加全面的嵌入，尤其对于实体聚类和节点分类任务效果显著。

    Jun, 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

  • IntelliGraphs: 用于知识图谱生成基准测试的数据集

    该论文介绍了一种名为 Subgraph Inference 的任务，并提出了一个包含逻辑规则的知识图子图的数据集 IntelliGraphs，并设计和评估了不同的基准模型，旨在鼓励发展注重语义理解的机器学习模型。

    Jul, 2023

  • LEMON: 知识图谱嵌入负采样的语言模型

    本文提出了一种利用预训练语言模型来生成负样本的方法，该方法利用实体之间的距离通过它们的文本信息形成邻域集群，以得到符号实体的表示形式，有效地应用于基准知识图谱的链接预测任务。

    Mar, 2022

  • 保持积极：无需负采样的知识图谱嵌入

    该论文提出了一种训练过程，通过向损失函数添加新颖的正则化项，避免了使用负采样的需要，并且在两个关系嵌入模型（DistMult 和 SimplE）中得到了优异的性能和速度。

    Jan, 2022

  • 相似实体是否具有相似的嵌入？

    知识图谱嵌入模型（KGEM）被用于链接预测，学习图谱实体的向量表示，这些模型中的 KGEM 实体相似性假设保持了图谱结构在嵌入空间中的位置相似性，而本文对实体在图谱中与嵌入空间中的相似性进行了正式评估，并研究不同 KGEM 模型的相似性概念。

    Dec, 2023

  • MixKG: 知识图谱中更难的负样本混合

    本文提出了一种基于混合运算的负样本采样方法 MixKG，通过过滤出符合充分性和正确实体相似性两个标准的异常三元组，使用这些三元组生成更高质量的负采样，实验证明该方法优于其他采样算法。

    Feb, 2022

  • 用于知识图谱补全的上下文字典查询

    本文介绍了一种采用上下文字典查找的新方法，利用传统的嵌入模型以端到端方式学习关系的细粒度语义，从而解决了知识图谱完成中的语义问题，并在多个基准数据集上获得了显着的性能提高。

    Jun, 2023

  • 使用预训练多模态 Transformer 和双负采样完成知识图谱补全

    提出了一个基于 VisualBERT 的增强型知识图谱补全模型 (VBKGC)，其采用了双胞胎负采样策略，能够捕捉基于嵌入的多模态信息并将其集成到 KGC 模型中，具有优秀的链路预测任务表现。

    Sep, 2022