利用基于区域的图神经网络进行知识图谱的可微分推理
本文提出了一种新的方法,通过迭代学习来注入规则并学习表示以充分利用规则和嵌入,取得了高效性和可扩展性的良好平衡,并通过两个公共数据集的评估,优于当前最先进方法,提高了均值倒数排名(MRR)2.7%和 4.3%。
Jan, 2023
基于地区的知识图谱嵌入将关系表示为几何区域,通过明确捕捉模型所涵盖的规则,能够简单地整合先前知识和检查学习模型。然而,现有方法在建模关系合成能力以及规则建模能力上存在严重限制,无法实现基于区域模型的主要承诺。为了解决这些局限性,我们研究了由轴对齐八边形组成的区域。这些八边形易于处理,因为交叉和组合可以直接计算,同时仍然足够表达任意知识图谱。此外,我们还表明我们的八边形嵌入可以正确捕捉一类非平凡的规则基,并且我们的模型取得了有竞争力的实验结果。
Jan, 2024
本文提出了一种基于关系视图的框架,使我们可以研究本体知识和不同类型向量空间嵌入之间的兼容性,并证明了一些现有的嵌入方法无法建模一些简单的规则,同时研究了关系建模为凸区域的模型,发现使用凸区域可精确表示所谓的准链式存在量规则的本体,从而对于所有在这个向量空间内运用的事实都是逻辑一致和推导闭合的。
May, 2018
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
本文提出了一种新颖的关系结构,即关系有向图,用于捕捉知识图中的局部证据,并提出了 RED-GNN 来有效处理该结构,并证明其在归纳和传递推理任务中的有效性和效率。
Aug, 2021
本文提出了一种基于循环跳跃网络的知识图谱嵌入方法,能够高效地捕获实体之间长期关系,特别适用于跨知识图谱嵌入和实体对齐等任务,在实验中达到当前最优水平。
May, 2019
本篇研究通过探索评分函数和损失函数的设计,发现相比于复杂的图神经网络,简单的多层感知器 (MLP) 模型能够实现与之相似的性能表现,在知识图谱补全 (KGC) 方面不一定需要高度复杂的聚合方式。
May, 2022
本研究介绍了一种称为 KGNN-LS 的新方法,它使用知识图谱和图神经网络来提高推荐系统的准确性,通过标签平滑正则化(Label Smoothness regularization)在个性化图上计算嵌入,以提供更好的推荐。研究实验证明该方法超越了现有的基线算法。
May, 2019
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
Geospatial embeddings are crucial for city analytics and earth monitoring, but learning comprehensive region representations is challenging; this paper introduces GeoHG, an effective heterogeneous graph structure, to learn region embeddings by addressing intra-region feature representation and inter-region dependencies, demonstrating superior performance in geo-prediction tasks even with limited training data.
May, 2024