- UniGLM:文本属性图的统一语言模型训练
通过自我监督的对比学习方法,我们介绍了一种新颖的统一图语言模型 (UniGLM) 框架,用于在多个领域和规模上进行多个文本 - 属性图 (Tag) 的联合微调,实现更好的泛化和转移学习能力。
- 近期基于随机游走的知识图嵌入方法综述
本文主要介绍了知识图谱及其嵌入方法,并回顾了最近发展的一些基于随机游走的嵌入方法。
- DUPLEX:用于有向图的复杂嵌入的双重 GAT
DUPLEX 是一个面向复杂嵌入有向图的归纳式框架,通过利用厄米阵列分解实现综合邻居集成、采用双 GAT 编码器进行方向邻居建模,并具有两个无参数解码器,以将训练与特定任务相分离。DUPLEX 在稀疏连接的节点方面表现出色,同时在各种任务中 - 利用负采样和逻辑闭包过滤增强几何本体嵌入的 EL++
本文提出了基于概念描述高维球表示的嵌入方法,利用本体的演绎闭包和不同类型的否定语句,改进了本体嵌入的知识库或本体补全任务。
- HeteroMILE:异质图的多层图表示学习框架
HeteroMILE 是一种可以使得当代图嵌入方法适应大型图的通用方法,在保持骨干结构的同时将大尺寸图编织成较小尺寸以减少计算成本,并且在链接预测和节点分类方面产生更好质量的嵌入。
- VN 网络:嵌入新出现的实体与虚拟邻居
通过引入逻辑规则和对称路径规则,我们提出了一种名为 Virtual Neighbor(VN)网络的新框架来解决嵌入方法中的邻居稀疏问题,该网络在两个知识图完成任务上明显优于现有方法,并且对邻居稀疏问题高度稳健。
- 准确预测国际贸易流量:利用知识图谱及其嵌入
该研究探讨了知识图谱嵌入在国际贸易中的应用及其对预测准确性和知识表示可解释性的潜力,提供了对决策者、企业家和经济学家有价值的见解。研究结果还分析了嵌入方法对其他智能算法的影响。
- 基于语义感知归纳推理和知识图嵌入的临床试验建议
设计新的临床试验需要做出许多决策,例如定义一个队列和设置研究目标等,因此可以通过对过去临床试验记录的全面挖掘获得基于建议的好处。在这里,我们提出了一种基于临床试验的知识图谱的神经嵌入训练的新型建议方法。我们解决了这个背景下的几个重要研究问题 - 知识图谱嵌入的通用预处理操作
本文提出了一组通用预处理算子,可以用于将具有数字、时间、文本和图像信息的知识图谱转换为任何方法可嵌入的形式。在 kgbench 数据集上,使用三种不同的嵌入方法进行实验,结果显示出良好的效果。
- PDPK:一种用于制造业的综合流程数据和相应流程知识的框架
使用一个可用于不同领域的综合数据集生成框架,模拟参数化流程并提供一致的流程数据,将出色的嵌入方法与知识图形进行比较,验证合成数据集的整体特征与真实数据集的可比性。
- GPT-3 的拓扑解读
通过使用不同的嵌入方法研究句向量与句子语义之间的相关性,我们观察到不同嵌入空间中相同句子的相关性以及相同嵌入空间中不同句子的相关性,这些观察结果与我们的假设一致并引领我们进入下一个阶段。
- 变分解缠图自编码器用于链接预测
本文提出了一种新的框架 —— 解缠图自编码器 (DGAE) 和变分解缠图自编码器 (VDGAE),利用解缠策略来提升链接预测的性能,该框架将表示解缠成对应于唯一潜在因素的多个通道,通过彼此独立的通道来增强不同潜在因素的独立性。
- 属性图中的图表示学习:基于语义随机游走的方法
该研究聚焦于属性图中的图表征学习(即网络嵌入)。与现有的嵌入方法不同,我们提出了一种新颖的语义图表征(SGR)方法,将两个异构源的联合优化结合到一个基于公共高阶接近度的框架中,以全面编码原始图中节点和属性之间的复杂同构和异构关系。我们证明, - PIE:大规模知识图谱嵌入推理的参数和推断效率解决方案
本论文提出一个参数和推理有效的知识图谱嵌入方法 PIE,通过张量分解方法将实体嵌入矩阵分解成低秩矩阵以减少模型复杂度,同时提出了一种自监督辅助任务用于微调实体类型以加速模型推理,在链接预测基准测试中取得了显著效果。
- 增强知识图谱以实现更好的链接预测
提出了一种名为 KGA 的知识图谱增强方法,该方法利用 Embedding 方法来预测实体和数字,并在模型中同时考虑了实体关系和文本信息,该方法通过分箱技术将数量和年份值离散化,融合到嵌入模型中,使得 KGA 可以预测静态和动态实体,并取得 - 实体对齐的知识图谱嵌入方法:实验评述
本文通过进行第一次统计学分析,对知识图谱中利用嵌入方法进行的实体对齐的流行方法进行了评估,并根据其在不同性能度量和知识图谱特征方面的有效性将其排名。
- AAAI将异构网络嵌入双曲空间中,无需元路径
该论文提出了一种新颖的自我引导随机游走方法,将异构网络嵌入到双曲空间中进行嵌入,无需使用领域特定的先验知识进行元路径选择,实验证明该方法在网络重建和连接预测方面表现优异。
- ACL基于概率的盒式嵌入模型用于不确定知识图谱推理
BEUrRE 是一种基于不确定性知识图嵌入方法,采用校准概率语义,将实体建模为包含几何形状的盒子,通过有效的交集和体积计算,以及关系转换来捕捉高阶依赖关系,能够在信心预测和事实排序方面显著优于其他基线模型。
- COLING基于电子病历的生物医学概念相关性大型基准测试
本研究旨在构建一个基于电子健康记录的与概念相关性有关的新基准,并评估现有数据集的优缺点,进而利用最先进的嵌入方法对新数据集进行测试,以此来应对与健康护理相关的人工智能应用中存在的相关性模型的挑战。
- 利用知识图谱嵌入空间上的语义查询探索学术数据
本文介绍了使用知识图谱嵌入方法来分析其语义结构,从而支持数据探索和解决相关问题的框架和方法。通过这种方式,可以使用良好研究的词嵌入空间定义语义查询,以便在数据集中解决相似性和类比等任务,并支持传统学术数据探索任务及一些新的有趣任务的解决。