ACLMay, 2023

HAHE: 全球和本地层次上的超关系知识图谱的分层注意力

PDF
TL;DR本研究提出了一种用于超关系知识图 (HKG) 嵌入的分层注意力模型 (HAHE)，该模型具有全局级别和本地级别的注意力机制，可以有效地建模 HKG 的图形和顺序结构，实现了在 HKG 标准数据集上的前沿预测效果。
link predictionhyper-relational knowledge graphshierarchical attention modelhypergraph dual-attention layersheterogeneous self-attention layers
发现论文，激发创造
  • 超几何分层知识图谱嵌入的低维链接预测

    本文提出了一种新颖的基于注意力的可学习曲率超几何分层知识图嵌入模型（HypHKGE），以在超几何空间中有效地建模知识图中的语义层次结构，并在低维度下表现出色，特别是在链接预测方面。

    Apr, 2022

  • DHGE：双视图超关系知识图嵌入用于链接预测和实体类型划分

    提出了使用双视图超关系知识图谱的表示学习模型，其中包括以实体为中心的超关系示例视图和以概念为中心的超关系本体视图。将该模型应用于链接预测和实体类型预测任务，并基于 Wikidata 和医疗数据构建了两种双视图超关系数据集。通过采用 DHGE 模型，该模型的实验结果优于基线模型，并且最后提供的样例表明该技术可以用于治疗高血压。

    Jul, 2022

  • 为链接预测学习层次感知知识图谱嵌入

    该研究提出了一种新的知识图谱嵌入模型 ——HAKE，该模型采用极坐标系将实体映射到不同的层次，以模拟语义层次结构，从而在链接预测任务上实现了显著的性能提升。

    Nov, 2019

  • 双曲异质图注意力网络

    提出了利用超几何空间和元路径实例学习异构图的向量表示的超几何异构图注意力网络（HHGAT），在三个真实的异构图数据集上的实验证明 HHGAT 在节点分类和聚类任务中优于现有的异构图嵌入模型。

    Apr, 2024

  • 个性化推荐的分层关注知识图谱嵌入

    本文提出了一种新的分层注意力知识图嵌入框架（HAKG），用于捕捉用户偏好，并在缓解数据稀疏性问题方面表现出优越性。

    Oct, 2019

  • 双层注意力图神经网络

    本文提出了一种可扩展的 Bi-Level Aufmerksamkeitsgraph-neuronale Struktur (BA-GNN)，该结构使用新的双层图注意机制，以从局部邻域上下文中层次化地注意来自本地邻域上下文的节点 - 节点和关系 - 关系交互，该方法用于有效建模多关系和多实体的大规模异构图。该方法被证明在七个真实世界的异构图上表现良好，并显示了学习到的关系 - 级别注意力的质量和可转移性，在提高其他 GNN 性能方面也得到应用。

    Apr, 2023

  • 全球与本地级科技文档摘要的分层注意图

    我们提出了 HAESum，一种利用图神经网络在基于分层话语结构的文档中进行局部和全局建模的新方法。通过使用局部异构图来学习句内关系，然后引入一种新颖的超图自注意层以进一步增强句间高阶关系的表征，在两个基准数据集上验证了我们的方法，实验结果表明考虑分层结构在建模长篇科技文档中的重要性以及 HAESum 的有效性。

    May, 2024

  • HAKG: 面向推荐的层次感知知识门控网络

    本文提出了一种新模型，叫做 Hierarchy-Aware Knowledge Gated Network（HAKG），主要应对 KG 领域中现存的一些问题，在实验中，与现有的方法相比表现了很大的优势。

    Apr, 2022

  • 提升超关系知识图谱补全

    该研究提出了一种用于高度关联知识图谱 (HKGs) 补全的方法，该方法引入了两个新修订：一是用轻量级实体 / 关系嵌入处理技术替换计算量大的图神经网络模块以提高计算效率；二是增加一个定向于合格证的辅助训练任务以提高该方法的预测能力，并且该方法在三个基准数据集上的实验中始终优于 STARE，计算效率显著提高。

    Apr, 2021

  • 探索在加强了时间不变关系知识的超关系临时知识图中的链接预测

    我们填补了时态图谱推理和超关系时态图谱推理之间的差距，通过开发两个新的基准数据集以及提出一个高效模型，同时建模时间事实和限定词，并探索从 Wikidata knowledge base 中获取的额外的不随时间变化的关系知识对于高效推理的有效性。

    Jul, 2023