May, 2024

超关联知识图谱的基数估计

PDF
TL;DR本研究旨在通过构建多样化和无偏见的超关系查询集，综合调查超关系知识图上的查询基数估计问题，并提出一种新颖的附加限定词图神经网络（GNN）模型，该模型能够有效地将限定词信息整合，并自适应地合并多个 GNN 层的输出，以准确预测查询基数。实验证明，所提出的超关系查询编码器在多样化和无偏见的基准测试上优于所有现有的超关系知识图上的查询基数估计方法。
cardinality estimationhyper-relational kgsqualifiersquerysetsgraph neural network
发现论文，激发创造
  • 使用嵌入和图神经网络对知识图谱进行基数估计

    本文提出了一种基于知识图谱嵌入和图神经网络的 GNCE 方法，通过对知识图谱中实体做语义嵌入和使用 GNN 处理查询来准确预测查询的基数，并在多个知识图谱的 q 误差方面对 GNCE 进行评估，表明其在估计准确性方面优于其他方法。

    Mar, 2023

  • 提升超关系知识图谱补全

    该研究提出了一种用于高度关联知识图谱 (HKGs) 补全的方法，该方法引入了两个新修订：一是用轻量级实体 / 关系嵌入处理技术替换计算量大的图神经网络模块以提高计算效率；二是增加一个定向于合格证的辅助训练任务以提高该方法的预测能力，并且该方法在三个基准数据集上的实验中始终优于 STARE，计算效率显著提高。

    Apr, 2021

  • 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

  • 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

  • 超关系知识图谱上的查询嵌入

    本文介绍了如何利用 Graph Neural Networks 来嵌入和回答超关系连接查询，以处理新型复杂查询，同时提出了一种提高查询效率的方法，并在实验证明 Qualifier 可以在多种查询模式下提高查询效果。

    Jun, 2021

  • 探索在加强了时间不变关系知识的超关系临时知识图中的链接预测

    我们填补了时态图谱推理和超关系时态图谱推理之间的差距，通过开发两个新的基准数据集以及提出一个高效模型，同时建模时间事实和限定词，并探索从 Wikidata knowledge base 中获取的额外的不随时间变化的关系知识对于高效推理的有效性。

    Jul, 2023

  • 超级形式：增强实体和关系相互作用以完成超关系知识图谱

    HyperFormer 是一种考虑到本地级别顺序信息的模型，它通过不同模块来编码实体、关系和限定符的内容。该模型使用 Mixture-of-Experts 策略以增强表示能力并减少模型参数和计算量，实验证明其有效性。

    Aug, 2023

  • DHGE：双视图超关系知识图嵌入用于链接预测和实体类型划分

    提出了使用双视图超关系知识图谱的表示学习模型，其中包括以实体为中心的超关系示例视图和以概念为中心的超关系本体视图。将该模型应用于链接预测和实体类型预测任务，并基于 Wikidata 和医疗数据构建了两种双视图超关系数据集。通过采用 DHGE 模型，该模型的实验结果优于基线模型，并且最后提供的样例表明该技术可以用于治疗高血压。

    Jul, 2022

  • 超关系知识图的消息传递

    该研究提出了一种基于信息传递的图形编码器 StarE，能够对超关系知识图上的限定语进行建模，通过该模型，与三元组相关的附加信息（限定语）可以被编码。并且在该论文中，作者还描述了一种新的基于 Wikidata 平台的数据集 - WD50K，并证实了利用限定语进行链接预测的可行性。

    Sep, 2020