先有模式！用 MASCHInE 捕捉语义，学习多功能知识图嵌入

Jun, 2023

先有模式！用 MASCHInE 捕捉语义，学习多功能知识图嵌入

Schema First! Learn Versatile Knowledge Graph Embeddings by Capturing Semantics with MASCHInE

Nicolas Hubert, Heiko Paulheim, Pierre Monnin, Armelle Brun, Davy Monticolo

TL;DR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。

Abstract

knowledge graph embedding models (KGEMs) have gained considerable traction in recent years. These models learn a vector representation of knowledge graph entities and relations, a.k.a. knowledge graph embeddings (KGEs). Learning versatile KGEs is desirable as it makes them useful for a

knowledge graph embedding models protographs semantic representations entity clustering node classification

发现论文，激发创造

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

归纳知识图谱嵌入的元知识迁移

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

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

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

在几何代数中的知识图谱嵌入

本论文提出了一种基于几何代数的知识图谱嵌入框架 GeomE，利用多向量表示和几何积模拟实体和关系，具有对称、反对称、逆序和复合等多种关系模式，具有良好的泛化能力，能在多个基准知识图谱上优于现有的最先进模型，适用于链接预测。

Oct, 2020

通过关系原型实体利用知识图谱中的全局语义相似性

本文提出了一种新颖的知识图谱嵌入方法，引入了一组虚拟的关系原型实体来表示连接同一关系的头尾实体的原型，通过将实体的嵌入与其关联的原型的嵌入靠近，有效鼓励了由同一关系连接的可能在知识图谱中相距较远的实体的全局语义相似性，并在实体对齐和知识图谱完成任务上显著优于最新的现有方法。

Jun, 2022

ModulE: 知识图谱的模块嵌入

通过基于群论的嵌入框架和模结构，提出了一种新的知识图谱嵌入模型 ModulE，取得了多个基准数据集上的最先进性能。

Mar, 2022

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

基于几何代数嵌入的静态和时态知识图完成

本论文使用几何代数和张量分解提出了一种新的知识图谱表示学习方法 GeomE 和 TGeomE，用于解决深度学习中的时序数据问题。结果表明，该方法在四个常用的静态 KG 数据集和四个知名的时间 KG 数据集上实现了最先进的性能。

Feb, 2022

序列到序列的知识图谱补全与问答

本研究使用 Transformer 模型代替传统知识图谱嵌入模型 (KGE) 的原子嵌入表示，将 KG link prediction 问题转化为序列到序列任务以及使用自回归解码。相比于传统 KGE 模型，这种简单而强大的方法在保持推理时间可控的同时，将模型大小减少了多达 98％，在不进行过多超参数调整的情况下，在多个大型数据集上的表现优于基线。

Mar, 2022