关于知识图谱嵌入和图神经网络在物联网中的研究
本文提出了一种称为实体邻居的新型附加信息,并使用深度记忆网络模型编码邻居信息。通过引入门控机制,结构和邻居的表征被整合成一个联合表征,实现了知识图谱嵌入(KGE)技术中实体表示的最新技术性能。
Aug, 2018
知识图谱是一个基于图形的数据结构,用于表示世界的事实,其中节点表示现实世界的实体或抽象概念,边表示实体之间的关系。知识图谱嵌入通过在低维向量空间中表示实体和关系来捕捉它们之间的语义关系。本文讨论了基于翻译和神经网络的嵌入模型,它们根据语义属性、评分函数和架构的不同而有所区别,并进一步讨论了在一些使用深度学习模型和利用社交媒体数据的领域中应用知识图谱。
Apr, 2024
本文提出了通过预训练语言模型和 k 近邻的知识图谱嵌入新方法 kNN-KGE,使得 rare 或 emerging entities 更容易被显式地存储,而非隐式存在于模型参数中,实验证明该方法可提高归纳式和传导式链接预测结果,并在只有很少的三元组的低资源情况下获得更好的性能。
Jan, 2022
NoGE 是一种新颖的嵌入模型,它旨在将实体和关系的共现性融入图神经网络中,以提高知识图谱的完成度,并在三个新的和具有挑战性的基准数据集 CoDEx 上获得最新的结果。
Apr, 2021
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
本研究提出了一种新的框架 -- 基于知识嵌入的图卷积网络 (KE-GCN),该框架充分利用了复杂图形的丰富结构信息,并针对图的异构性和节点更新问题进行改进,优于具有同类基线方法的表现。
Jun, 2020
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
本篇研究通过探索评分函数和损失函数的设计,发现相比于复杂的图神经网络,简单的多层感知器 (MLP) 模型能够实现与之相似的性能表现,在知识图谱补全 (KGC) 方面不一定需要高度复杂的聚合方式。
May, 2022
提出了一种上下文感知的动态知识图谱嵌入方法 (DKGE),该方法利用两个有注意力机制的图卷积网络、一种门控策略和翻译操作,通过双重表示 (知识嵌入和上下文元素嵌入) 联合模型化实体和关系及其环境,以快速获取更新的知识图谱嵌入,同时支持从头开始的知识图谱嵌入。实验证明 DKGE 在动态环境下具有良好的有效性和效率。
Oct, 2019