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
该论文介绍了知识图谱嵌入在推荐系统、查询扩展和实体嵌入等领域的应用,并探讨了包括基于结构信息、文本信息和图像信息的 KG 嵌入模型。
Jul, 2021
介绍了知识图谱嵌入的概念,生成和评估,总结了用于在向量空间中表示知识的方法,讨论了预测模型的解释性问题和解决方法。
Apr, 2020
本文综述了在图表示学习领域中,基于深度学习和非线性降维等技术的自动编码图结构为低维向量方法,包括基于矩阵分解、随机游走、图神经网络等方法,并开发了一个统一框架描述这些最新的方法,并为未来的工作提出了一些重要应用和方向。
Sep, 2017
通过解释图嵌入任务及其挑战、回顾广泛的图嵌入技术、评估多种先进方法并比较它们的性能,本文综述了图表示学习的最新研究进展,同时探讨了其在潜在应用和未来发展方向的应用与发展。
Sep, 2019
在本研究中,我们介绍了一种名为 subgraph2vec 的知识图谱嵌入方法,通过在用户定义的子图内运行 walks,用于链接预测,并证明我们的方法在大多数情况下具有更好的性能。
May, 2024
本次调查综述了网络嵌入的发展历史以及对分类、聚类、链接预测和可视化等任务的作用,将网络嵌入方法根据不同场景进行了分类,包括监督学习、无监督学习、同质网络和异质网络等。最后,探讨了网络嵌入未来的研究方向。
Aug, 2018
该论文提出了一个基于随机游走的图嵌入分析框架,包括三个组件:随机游走过程、相似性函数和嵌入算法,该框架不仅可以分类许多现有方法,而且自然地激发新方法,通过它,我们演示了改进下游任务性能的多个尺度嵌入的新方法。此外,我们还发现,基于自协方差相似性的嵌入,在与点积排名进行链路预测时,比基于点互信息相似性的最先进方法表现提高了多达 100%。
Oct, 2021
本文介绍了一种基于连续学习方法的增量知识图嵌入技术,弥补了现有嵌入技术只能处理先前已知概念的局限性,并提供了一些在知识图嵌入技术和机器人应用之间进行权衡的洞见。
Jan, 2021
本文综述了图嵌入技术的各种方法,介绍了三个不同的分类方法的代表性算法,并分析了它们在不同任务上的表现。文章最终结论是提出了一些潜在的应用和未来方向,并介绍了一个名为 GEM 的 Python 库,其中提供了所有介绍的算法作为一个统一的接口,以促进和便利这个领域的研究。
May, 2017