MQuinE:知识图谱嵌入模型中的 “Z - 悖论” 解决方案
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
研究知识图谱的不完整性,并提出了一种旨在解决知识图谱完成中的挑战、同时呈现出直观的图形化解释的 KG 嵌入模型 - ExpressivE。
Jun, 2022
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
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
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
知识图谱嵌入(Knowledge graph embedding,KGE)通过将知识图谱(knowledge graph,KG)中的实体和关系表示为连续向量空间,可以用于预测缺失的三元组,实现知识图谱补全。然而,KGE 模型通常只能简要地学习三元组数据的结构关联,并且在真实世界的知识图谱中会被无关的模式和噪声链接误导。为了解决这个问题,我们在因果关系和嵌入解缠方面构建了一种新的 KGE 范式。我们进一步提出了一种因果增强的知识图谱嵌入(CausE)框架。CausE 应用因果干预来估计混杂嵌入的因果效应,并设计了新的训练目标来进行稳定的预测。实验结果表明,CausE 能够胜过基线模型,实现最先进的知识图谱补全性能。我们在指定的 URL 中发布了我们的代码。
Jul, 2023
提出了一种基于投影几何的 KGE 模型,支持多重变换类型(包括翻转,反射,平移,旋转和相似变换),旨在解决多关系型知识图谱在邻域中存在多个子图结构的问题,并在几个广泛使用的链接预测基准测试中表现出优越性。
Jun, 2020
本研究提出一种新的查询嵌入模型,称为锥体嵌入(ConE),通过将实体和查询表示为二维锥形的笛卡尔积,处理与所有的一阶逻辑运算,包括合取,析取和否定,并在查询中引入几何补充算子,处理否定运算,从而在基准数据集上显著优于现有其他模型。
Oct, 2021