Nov, 2023

基于自适应特征和图神经网络的科学文献语义表示学习

PDF
TL;DR提出了一种基于自适应特征和图神经网络的科学文献语义表示学习方法，通过引入自适应特征方法，综合考虑了科学文献的全局和局部特征，借助图注意机制对具有引文关系的科学文献的特征进行加权求和，进一步表达不同科学文献特征之间的相关性，同时通过无监督图神经网络学习方法，提高了科学文献的语义表示学习能力，实验结果表明该方法在科学文献分类方面具有竞争力并取得了良好结果。
发现论文，激发创造
  • 生物知识图谱上的神经符号表示学习

    本研究开发了一种结合符号逻辑和神经网络自动生成生物学知识图谱节点的向量嵌入方法，用于生物知识图谱的边预测，并实现了优于人工特征方法的表现，该方法可应用于任何生物知识图谱中，并开放性的提供了生物领域中基于语义 Web 技术的知识库的机器学习和数据分析。

    Dec, 2016

  • 预测人工智能论文中的语义关系的方法

    本文提出了一种基于 Graph Neural Networks 的新型深度学习方法，以解决如何预测大型演化网络中链接出现的问题，特别地，预测与 AI 相关的主题之间的链接。实验结果表明，使用此方法能够有效地识别出节点的吸收和密集子图的合并两种模式，且模型具有较高的预测准确性。

    Jan, 2022

  • 一个语义分层图神经网络用于文本分类

    本文研究了基于图神经网络的文本分类任务，提出了一种新的分层图神经网络模型（HieGNN），其在词级别、句子级别和文档级别分别提取相应的信息。实验结果表明与几个基准方法相比，我们的模型能够从样本中获得更多有用的分类信息。

    Sep, 2022

  • 在 Semantic Scholar 中构建文献图谱

    通过 NLP 技术构建一个规模巨大的异构图，用于组织已发表的科学文献，并且在 www.semanticscholar.org 上使用此系统以实现语义功能。

    May, 2018

  • 图神经网络如何帮助文档检索：以 CORD19 为例，涉及概念地图生成的案例研究

    在大规模跨学科数据集 CORD-19 上进行实证研究，结果表明我们提出的面向语义的图形函数可以通过 BM25 检索的候选项达到更好和更稳定的性能，这可以作为未来开发文档检索和分类等文本推理任务的有效图神经网络的指导。

    Jan, 2022

  • 利用相关图学习句法密集嵌入以进行自动可读性评估

    本研究提出了一种在神经网络模型中加入语言特征的方法，通过学习基于语言特征的句法密集嵌入，在语言特征间建立相关性图并利用其来学习嵌入来解决特征间的关系，实验证明该方法显著提高了自动易读性评估的性能，能够与 BERT 仅有模型相辅相成。

    Jul, 2021

  • 引用图增强科学论文摘要

    本论文提出了一种基于引用图的摘要模型 CGSum，相对于基于输入文档内容进行摘要的方法，它可以更好的理解科技论文的含义并产生高质量的摘要，同时构建了一个包含 141K 篇不同领域的科技论文的数据集 Semantic Scholar Network（SSN），这个数据集构成了一个大型的连接引用图。研究结果表明，引用图对于理解论文内容并产生高质量的摘要十分关键。

    Apr, 2021

  • 联合图语义和结构学习

    联邦图学习通过分布式图训练共同学习一个全局图神经网络，在非独立同分布的分布式图中面临着重要的挑战。本文首次揭示了局部客户端扭曲现象的原因，包括节点级语义和图级结构。根据节点级语义，对比不同类别的节点有助于提供良好的区分能力。根据图级结构，邻节点具有相似性。我们通过将邻接关系转化为相似度分布，并利用全局模型将关系知识传递给局部模型，以保留局部模型的结构信息和可区分性。实证结果表明，该方法在三个图数据集上优于其他方法。

    Jun, 2024

  • 协同信号：通过图神经网络利用协同参与和语义链接

    基于语义的图神经网络（SemanticGNN）是在大规模知识图谱中建模实体、语义概念、协作边和语义边，并对其进行表示学习的一种新颖的图模型，通过融合协同活动数据和丰富的语义信息提供更准确的实体相似度计算。实证实验证明所提出的模型在相似度判断任务上的性能提升达到 35%。

    Dec, 2023

  • 基于模仿学习的隐式语义感知通讯网络：多层表示与协作推理

    本文提出了一种基于推理的隐含语义感知通信网络架构，允许多个 CDC 和边缘服务器协作支持端到端的语义编码，解码和解释，建立多层次表示和个人化推理优先权，并采用强化学习和模仿学习算法进行协作推理。

    Oct, 2022