基於完全雙曲旋轉的知識圖譜嵌入方法
本文提出了一種全新的知識圖譜嵌入模型 FHRE，該模型完全在雙曲空間中定義，並利用洛倫茲旋轉來建模實體和關係，從而在低維和高維嵌入任務中均取得了優異的性能。
知識圖譜嵌入：關於捕捉關係特性的全面綜述
本文全面概述了知識圖譜嵌入 (KGE) 技術，重點關注如何捕捉關係特性，包括複雜映射、關係模式（如對稱性、不對稱性、反演性和組合性）以及實體間的層次關係。
基於知識圖譜對未見實體、關係和字面量的推論
本文提出了一種名為 BYTE 的新型編碼層，旨在增強知識圖譜嵌入模型，使其能夠對訓練過程中未曾出現的實體、關係和字面量進行推論。
基於 Transformer 的超關係與數值知識圖譜表示學習
HyNT 是一個用於學習包含數值數據的超關係知識圖譜表示的統一框架，它利用上下文轉換器和預測轉換器來有效地捕捉實體、關係和數值數據之間的複雜交互，並在鏈接預測、數值預測和關係預測任務上優於現有方法。
正交關係和矩陣實體用於知識圖譜嵌入
本文提出了一種新的知識圖譜嵌入模型OrthogonalE,通過使用矩陣表示實體以及使用分塊對角正交矩陣和黎曼優化來表示關係,從而提高了模型的一般性和靈活性,同時也能捕捉多種關係模式。
以正常化流嵌入知識圖譜
我們提出了一個統一的嵌入視角,並從群論的角度引入了不確定性,以提高知識圖譜嵌入的表達能力。我們將實體和關係嵌入為對稱群的元素,並定義了一個基於兩個正常化流相似性的評分函數。我們證明了提出的模型能夠學習邏輯規則,並通過實驗驗證了引入不確定性的有效性。
最近隨機遊走方法的知識圖譜嵌入調查
本文介紹了近年來基於隨機遊走的知識圖譜嵌入方法,包括DeepWalk、LINE、Node2vec、PTE、Metapath2vec、Metapath2vec++和Regpattern2vec等算法。這些方法能夠將高維的知識圖譜映射到低維向量空間,同時保留了圖結構的重要特徵。
高效的關係感知鄰域聚合在圖神經網絡中通過張量分解
本文提出了一種新的知識圖譜編碼器,它在關係圖卷積網絡(R-GCN)的聚合函數中採用張量分解,以增強實體和關係信息的整合。我們的模型通過使用低秩張量定義的投影矩陣來增強鄰近實體的表示,這有助於多任務學習,從而產生關係感知的表示。此外,我們引入了一種通過CP分解對核心張量進行低秩估計的技術,這有效地壓縮和正則化了我們的模型。我們採用啟發自對比學習的訓練策略,這緩解了處理巨大圖譜時1-N方法固有的訓練限制。我們在兩個常見的基準數據集FB15k-237和WN18RR上超越了所有競爭對手,同時使用了低維度的實體和關係嵌入。
以函數空間嵌入知識圖譜
本文提出了一種新的知識圖譜嵌入方法,將實體和關係表示為函數,而不是傳統的向量空間表示。這種函數空間嵌入方法提供了更靈活和表達性的表示,能夠更好地捕捉知識圖譜中的複雜動態。
在退化克利福德代數中嵌入知識圖譜
本文提出了一種新的知識圖譜嵌入方法DECAL,能夠在退化克利福德代數中進行嵌入,從而捕捉更複雜的關係模式。
© 2024 by Linnk AI