从图领域的公理到向量,并再次返回:评估基于图的本体嵌入的性质
本文系统回顾了本体嵌入领域的 80 多篇论文,介绍了本体的不同语义以及数学和机器学习的视角下的本体嵌入的定义和特性,并对几种技术解决方案进行了分类和分析,包括几何建模、序列建模和图传播等。此外,还介绍了本体嵌入在本体工程、机器学习增强和生命科学中的应用,并讨论了挑战和未来方向。
Jun, 2024
本文提出了一种基于范畴论语义学的机器学习方法,使用 CatE 投影生成本体公理图表示,并应用于多种任务,展示了其超越了其他本体嵌入方法的局限性,并在生物医学领域的机器学习任务中优于现有的模型论本体嵌入方法。
May, 2023
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
本文提出了在基于描述逻辑的不一致本体中利用嵌入学习方法进行推理的新方法,并使用语义向量来计算公理之间的语义连接,从而定义了一种基于嵌入的方法来选择最大一致子集,并用它来定义一种不一致容忍的推理关系,并且实验结果表明,我们的嵌入式方法可以胜过现有的基于最大一致子集的不一致容忍推理方法。
Apr, 2023
本研究在解决如何为复杂的信息或知识库创建向量空间嵌入,以便于机器学习、相似性搜索或类似任务时能更有效地用于预测蛋白质相互作用。
Feb, 2019
本文提出了一种基于随机游走和词嵌入的本体嵌入方法 OWL2Vec *,该方法将 OWL 本体的语义编码为结合了图结构,词汇信息和逻辑构造式的表示。通过在三个真实数据集上的实证评估,我们发现 OWL2Vec * 在类成员预测和类包含预测任务中从本体的三个不同方面受益,并且通常在我们的实验中优于现有的技术水平。
Sep, 2020
该研究使用基于深度学习的方法,提出了一个新的思路来选择与证明相应的数学陈述。应用了一种新的嵌入方法,将高阶逻辑公式表示为一个不变于变量重命名的图,并在保留语法和语义信息的同时,全面地将图形嵌入到一个向量中,从而在 HolStep 数据集上实现了优异的分类表现,将分类准确度从 83% 提高到了 90.3%。
Sep, 2017
本文研究图嵌入是否近似于传统的顶点层面图特征,通过从嵌入空间直接预测已知的拓扑特征,使用监督和无监督方法,并通过对五种最先进的无监督图嵌入技术进行广泛的实验评估,测量一系列拓扑特征,我们证明了嵌入空间确实近似了几个拓扑特征,从而提供了关于图嵌入如何创建好表示的关键的洞见。
Jun, 2018