关键词relational graph convolutional networks
搜索结果 - 7
- 关系图卷积网络用于情感分析
我们提出了使用关系图卷积网络(RGCNs)进行情感分析的方法,该方法通过捕捉作为图中节点表示的数据点之间的依赖关系,提供了解释性和灵活性。通过在亚马逊和 Digikala 数据集上使用预训练的语言模型(如 BERT 和 RoBERTa)与 - 关系图卷积神经网络用于多跳推理的比较研究
本文旨在探索多站点问答任务的 RGCN 模型、图形关系和节点嵌入,并在 WikiHop 数据集上经验性地探讨每个关系、节点类型和嵌入对多站点 QA 性能的影响。
- TwiRGCN: 临时加权图卷积用于时间知识图上的问答
通过引入知识图谱中边相关时间的相关性,利用关系图卷积网络(RGCN)来解决复杂时间问题类型并显著提高精度。
- 使用图形概括扩展 R-GCN 训练
本篇研究介绍了使用图形总结技术来压缩大型数据图形以优化内存使用,然后将该技术用于 Relational Graph Convolutional Networks 的训练中,并通过在 AIFB、MUTAG 和 AM 数据集上的实验证明,使用图 - KDD在超级应用环境下进行欺诈检测的关系图神经网络
该论文提出了一种关系图卷积网络方法的框架,用于在超级应用的金融服务中预防欺诈行为;结果表明,当考虑超级应用的替代数据和高连通性中发现的交互时,采用利用这些交互的模型能够将增加价值转化为更好的决策和欺诈检测策略。
- 基于关系图卷积网络的 Twitter 机器人检测
提出了一种基于关系图卷积网络的 Twitter 机器人检测方法 BotRGCN,它通过构建由关注关系组成的异构图来解决社群挑战,并利用多模用户语义和属性信息来捕获具有多样化伪装的机器人,实验结果表明,BotRGCN 在基准测试 TwiBot - 用图卷积网络建模关系型数据
我们介绍了关系图卷积网络 (R-GCNs) 并将它们应用于标准的知识库补全任务,包括链接预测和实体分类。R-GCNs 旨在应对实际知识库中高度多关系数据的特点,我们证明了它们作为一个独立模型在实体分类方面的有效性,并进一步证明,通过在关系图