本文对考虑包括文本、数字、图像等非结构化信息的 KG 嵌入模型进行了综述和对比,同时在相同条件下对链接预测的不同方法进行了实证评估。
Oct, 2019
本文研究了将实体属性信息加入到已有链接预测模型中的效果,通过 LiteralE 方法,将实体嵌入和属性信息融合,并将其应用到多个基于嵌入的模型上,取得了在标准数据集上的良好表现。
Feb, 2018
提出了一种名为 KGA 的知识图谱增强方法,该方法利用 Embedding 方法来预测实体和数字,并在模型中同时考虑了实体关系和文本信息,该方法通过分箱技术将数量和年份值离散化,融合到嵌入模型中,使得 KGA 可以预测静态和动态实体,并取得了比之前的基线表现更好的效果。
Mar, 2022
本文提出了一种将数字边属性注入传统的知识图谱嵌入架构的评分层的新方法,研究结果表明,这种方法优于传统的缺乏数字边知识和最近的 UKGE 模型。
May, 2021
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
提出了一种用于动物疾病的高效诊断的知识图嵌入模型,该模型可以学习各种类型的文字信息和图结构,并将它们融合成统一的表示,通过门网络将不同类型的实体和节点特征信息融合为统一的向量表示,然后提出了一种自监督学习任务来预训练图结构,并在链接预测任务上击败了最先进模型组成的基线模型。
Aug, 2023
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
本文提出了一种基于 Transformer 模型的知识表示学习方法,能够有效地捕捉知识图谱中节点的上下文信息,提高了医学自然语言处理中的性能表现。
Nov, 2019