AAAIDec, 2023

NestE：建模知识图谱推理的嵌套关系结构

PDF
TL;DR本文介绍了一个名为 NestE 的新型知识图嵌入方法，通过将原子事实表示成一个 1x3 矩阵，将嵌套关系表示成一个 3x3 矩阵，通过矩阵乘法旋转原子事实矩阵，利用广义四维超复数空间（如球面四元数、双曲四元数和分裂四元数）来表示矩阵的每个元素，从而能够捕捉嵌套事实中多样的逻辑模式，超越了一阶逻辑表达式的限制。实验结果表明，NestE 在三元组预测和条件链接预测方面显著优于当前基线模型。
knowledge graphnested factskg embeddinglogical patternsneste
发现论文，激发创造
  • 针对超关系知识图谱的嵌入缩减

    提出了一种名为 ShrinkE 的方法，用于在超关系事实上进行知识图谱上的链接预测，成功地捕捉了限制它们泛化能力的限定符单调性、限定符蕴含和限定符相互排斥等关键推理模式。

    Jun, 2023

  • NQE: 超关系知识图谱复杂查询答案的 N 元查询嵌入

    本文提出了一种新的 n 元查询嵌入模型（NQE）用于超关系知识图上的复杂查询答案，包括存在量化器、合取、析取和否定，并提出一种新的 CQA 数据集（WD50K-NFOL），实验证明其是超关系知识图上最先进的 CQA 方法。

    Nov, 2022

  • 学习超关系知识图谱的表示

    本文介绍了一个框架，它使用多个聚合器从 base triple 和 qualifiers 两个角度来学习超关系事实的表示，并证明了其在多个数据集上进行超关系知识图完整性的有效性。

    Aug, 2022

  • 用于复杂查询答案的神经符号纠缠框架

    提出了一种神经符号交织的（ENeSy）复杂查询答案框架，该框架能够在神经和符号推理结果的基础上分别回答和集成查询，通过压缩和整合基本运算符和链接预测提高了复杂查询的效果，并应用于多项基准测试。

    Sep, 2022

  • 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

  • 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

  • 基于神经符号化的规则嵌入知识图谱推理

    本文提出了一种名为 RulE 的框架，它融合了元素、关系和逻辑规则。通过在统一嵌入空间中学习每个逻辑规则的嵌入向量，RulE 可以以软方式进行逻辑推断，并为每个规则分配置信度分数，从而提高知识图嵌入的泛化性能。通过对多个基准知识图进行实验，RulE 的有效性得到了证明。

    Oct, 2022

  • SpherE: Set 检索的表达和可解释的知识图嵌入

    本文首次研究知识图谱集合检索问题，通过提出一种新的知识图谱嵌入模型 SpherE，基于旋转嵌入方法，将每个实体嵌入为一个球体，可以更加准确地建模一对多、多对一和多对多的关系，并且有效解决集合检索问题。

    Apr, 2024

  • 知识图谱逻辑查询的神经符号模型

    本文提出了一种名为 GNN-QE 的神经符号模型，用于回答复杂的一阶逻辑查询，在解决神经方法推理难以解释的问题的同时，取得了较显著的实验成果。

    May, 2022

  • 利用逻辑知识增强生物医学数据的嵌入表示

    本研究探讨在生物医学领域的知识图谱中，如何通过引入逻辑规则来增强知识图谱嵌入表示，提高关系建模的效果。具体地，采用关系推理网络（R2N）作为知识图谱嵌入技术的补充，在 PharmKG 数据集上进行对比实验，并进行消融分析。结果表明，该方法显著优于现有技术，并能根据不同的选择标准和规则数量产生不同效果。

    Mar, 2023