May, 2023

无归之河：用图渗透嵌入进行高效知识图谋推理

PDF
TL;DR本文研究了基于图神经网络（GNN）的嵌入技术在知识图谱（KG）推理中的应用。第一次将路径编码和信息传递方法中的路径冗余问题，与模型训练中的转换误差联系起来，提出了一种新的 KG 推理理论和高效的实践方法，即通过最小化熵的信息传递来维护最短路径和消除冗余路径。作者还设计了一种受流体力学脉冲模型启发的高效的图注入过程，提出了一个轻量级的 GNN-based KG 推理框架 GraPE，实验结果表明 GraPE 在传导式和归纳式推理任务中都优于之前的最新方法，且需要更少的训练参数和推理时间。
graph neural networksknowledge graph reasoningpath redundancytransformation errorgraph percolation embeddings
发现论文，激发创造
  • DeepPath: 知识图谱推理的强化学习方法

    本文提出了一种基于强化学习的多跳关系路径学习框架，利用知识图谱嵌入、采样方式和奖励函数提高路径推理的精度、多样性和效率，并在 Freebase 和 Never-Ending Language Learning 数据集上展示了其优异性能。

    Jul, 2017

  • 使用路径排名方法指导图嵌入，用于在嘈杂的知识图谱中进行错误检测

    本文研究知识图谱中可能存在的噪声问题，并提出混合模块化的方法进行错误检测和关系表示，对两个基准测试和一个实际的生物医学出版物数据集进行比较分析，展示了处理噪声知识图谱时图形嵌入技术的潜力和见解。

    Feb, 2020

  • 关系有向图的知识图谱推理

    本文提出了一种新颖的关系结构，即关系有向图，用于捕捉知识图中的局部证据，并提出了 RED-GNN 来有效处理该结构，并证明其在归纳和传递推理任务中的有效性和效率。

    Aug, 2021

  • 推广路径拓扑图神经网络

    图神经网络在各个领域取得了显著进展，但受到称为 1-Weisfeiler-Lehmann 测试的理论约束。尽管最新的高阶图神经网络可以克服这个限制，但它们通常集中于某些图的组成要素，如团或环。然而，我们的研究选择了一条不同的路线，侧重于路径，这在任何图中都是固有的。我们能够构建一个更一般的拓扑视角，并将它与其他拓扑领域的一些已有理论建立联系。有趣的是，在不对图的子结构作出任何假设的情况下，我们的方法在该领域超过早期的技术，达到了几个基准上的最先进性能.

    Aug, 2023

  • 一种基于检索和阅读的知识图谱链接预测框架

    提出了一种新颖的基于 Transformer 的图网络模型，实现了检索 - 阅读框架，提高了知识图谱链接预测的性能。

    Dec, 2022

  • 学习适应性传播以进行知识图谱推理

    本文介绍了基于图神经网络和知识图谱的学习方法，探讨了路径传播中关键因素，并提出了一种自适应的传播路径方法，通过过滤不相关的实体同时保留有前途的目标，实现了更深层次的信息抓取，最终获得了在归纳推理中领先的效果。

    May, 2022

  • 在知识图谱中学习利用长期关系依赖

    本文提出了一种基于循环跳跃网络的知识图谱嵌入方法，能够高效地捕获实体之间长期关系，特别适用于跨知识图谱嵌入和实体对齐等任务，在实验中达到当前最优水平。

    May, 2019

  • 图神经网络中的信息流：临床分诊案例

    在本文中，我们调查了图神经网络中嵌入信息的流向如何影响知识图谱中链接的预测，并提出了一个将领域知识融入到图神经网络连接性中的数学模型。我们的结果表明，将领域知识融入到图神经网络连接性中比使用相同连接性或允许无限制的嵌入传播能够取得更好的性能。此外，我们还发现负边在预测中起着至关重要的作用，并且使用太多的图神经网络层可能会降低性能。

    Sep, 2023

  • 可解释推理知识图谱推荐

    本文提出了利用知识图谱的路径循环神经网络模型（Knowledge-aware Path Recurrent Network），该模型可以通过组合实体和关系的语义生成路径表示，并利用路径内的序列依赖关系有效地推理用户 - 物品交互的基本原因。通过设计一种新的加权汇集操作，区分连接用户和物品的不同路径的强度，为模型赋予一定水平的可解释性。该模型在电影和音乐的两个数据集上进行了广泛的实验，显示出比现有的解决方案 Collaborative Knowledge Base Embedding 和 Neural Factorization Machine 更显著的改进效果。

    Nov, 2018

  • 利用检索增强的图神经网络进行图属性预测

    本文提出一种图检索机制叫做 GraphRetrieval 通过检索训练图来加强现有的图神经网络模型，利用自注意力的适配器从被检索图中获取有益信息并消除噪声，实现了对现有 GNN 模型效果的显著提升。

    Jun, 2022