通过关系图进行归纳式知识图谱嵌入的 InGram 算法
提出了一种基于图神经网络的关系预测框架 GraIL,该框架可以推理本地子图结构并具有强的归纳偏差来学习独立于实体的关系语义。与基于嵌入的模型不同,GraIL 是自然归纳的,并且可以在训练后推广到未看到的实体和图形。在归纳设置中,GraIL 优于现有的规则归纳基线。
Nov, 2019
研究使用图神经网络的归纳节点和关系结构表征方法对知识图谱中的新实体进行逻辑推理的方法,并实验发现归纳模型能够在推理时间内对未见节点进行推理,同时可以推广至训练天数 500%大的图表,表现出较高效率和效果平衡的特点。
Oct, 2022
本论文提出了一种名为 InductivE 的学习框架,旨在解决 Commonsense Knowledge Graph(CKG)完成中可能出现的未见过实体的问题,该框架直接从原始实体属性 / 文本计算实体嵌入,并由一个自由文本编码器、一个图编码器和一个 KG 完成解码器组成。实验证明,InductivE 在 ATOMIC 和 ConceptNet 基准测试中都显著优于现有基线方法。
Sep, 2020
该研究介绍了一种广义的谐波扩展技术,通过利用传统的跨领域知识图嵌入方法学习的表示,推断引入的新实体在推理时的表示,并扩展了跨领域知识图嵌入方法的功能,可以用于知识图的补全和逻辑查询。
Sep, 2023
本文提出一种名为 MorsE 的模型,该模型不学习实体的嵌入,而是学习可转移的元知识,以生成实体的嵌入,这种元知识由实体独立模块建模并通过元学习进行学习,在归纳设置下,该模型可以显着优于相应的基线模型,适用于知识图谱的内部和外部任务。
Oct, 2021
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
本文介绍了基于嵌入式知识图谱网络的知识库完成方法,通过使用端到端反向传播训练,可以将大型知识库压缩成优化的版本,并在知识库完成基准测试中取得了最新的最佳结果。
Nov, 2016
提出一种新的图级表示学习方法 —— 将整个图形嵌入到一个向量空间中,其中两个图形的嵌入保持其图形 - 图形的关联性。UGRAPHEMB 是一种通用框架,提供了一种全面的无监督和归纳式图级嵌入方法。 通过多尺度节点关注(MSNA)提出一种新的图级嵌入生成机制。在五个真实图形数据集上进行的实验表明,UGRAPHEMB 在图分类、相似性排名和图形可视化任务中具有竞争力的准确性。
Apr, 2019