论文浅尝 | 基于对抗学习的弱监督知识图谱对齐

最新推荐文章于 2022-09-25 23:33:18 发布
最新推荐文章于 2022-09-25 23:33:18 发布
阅读量908 收藏
点赞数
文章标签： 机器学习 深度学习 人工智能 python 知识图谱
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/TgqDT3gGaMdkHasLZv/article/details/108687787
版权

论文笔记整理：郭凌冰，浙江大学研究助理，研究方向为知识图谱的表示学习。

绝大部分现有的知识图谱对齐方法都要求足够的已对齐三元组作为监督数据，但在现实世界中，获取大量的对齐三元组的代价十分高昂。本文提出一种同时适用于全监督或者弱监督知识图谱对齐的方法，其通过一种基于对抗学习的框架（KAGAN）来对齐不同知识图谱中实体和关系的嵌入表示：

本文首先定义了由源知识图谱的实体（或关系）到目标知识图谱的实体（或关系）的概率：

，

其中为温度参数，

最低0.47元/天 解锁文章
开放知识图谱
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
知识图谱-KGE-对抗模型-2018：KBGAN
u013250861的博客
11-24 730
将生成对抗的思想引入到 KGE，本文的具体做法是对每个 KGE 任务，使用两个模型，一个模型（双线性模型如 DistMult 或 ComplEx）用作生成器，生成高质量的负样本，另一个模型（TransE 或 TransD）做判别器，用正样本和生成器给出的负样本训练 embedding。普通的负采样方法，对正样本三元组的头实体或尾实体从实体集中随机采样替换，生成的负样本是很明显的错误样本，很容易通过实体的类型区分开来，比较“高级”的负样本是尽量“替换同类型实体”的负样本三元组。生成器和判别器都需要预训练。
基于生成对抗的知识图谱零样本关系学习 AAAI2020
u013602059的专栏
04-20 1859
论文来源：AAAI 2020 论文链接：https://arxiv.org/pdf/2001.02332.pdf 本文是发表在AAAI2020上的一篇基于生成对抗网络进行知识图谱零样本关系学习的文章。在知识图谱表示学习（KG Embedding）的相关工作中，会出现一些未在训练数据集中出现过的关系（即 zero-shot relations），由于relation及其相关的三元组没有在训练数据集...
论文浅尝 - WWW2020 | 通过对抗学习从用户—项目交互数据中挖掘隐含的实体偏好来用于知识图谱补全任务...
开放知识图谱
02-16 527
笔记整理 | 陈湘楠，浙江大学在读硕士。现有的知识图谱补全方法都在试图设计全新的学习算法，来使用已知的事实信息去推理知识图谱中的潜在语义。但随着知识图谱的广泛使用，知识图谱中的许多实体对应...
论文浅尝 | 融入知识的弱监督预训练语言模型
开放知识图谱
02-21 859
论文笔记整理：叶群，浙江大学计算机学院，知识图谱、NLP方向。 会议：ICLR 2020链接：https://arxiv.org/pdf/1912.09637.pdf Abstra...
【自然语言处理】【知识图谱】SWCC：通过同时弱监督对比学习和聚类改善事件表示
bqw的博客
04-29 922
通过同时弱监督对比学习和聚类改善事件表示 《Improving Envet Representation via Simultaneous Weakly Supervised Contrastive Learning and Clustering》 论文地址：https://arxiv.53yu.com/pdf/2203.07633.pdf 一、简介 ​ 事件的分布式表示是一种常用的表示事件的方法，其能够为各种任务提供特征。但是，获得有效的事件表示是一项有挑战的任务。因此，需要分布式表示能够获得事件间的各种
论文浅尝 # ICLR 2020 - 一文全览知识图谱研究
05-09
ICLR 2020 正在进行，但总结笔记却相继出炉。我们曾对 ICLR 2020 上的趋势进行介绍，本文考虑的主题为知识图谱。
知识图谱2019年论文汇编.pdf
04-17
来自OPENKG的[论文浅尝]，内容涉及信息抽取、知识推理、知识问答、推荐系统、知识融合等多个方向，共90篇
基于翻转课堂的DSP原理及应用教学改革浅尝.docx
02-23
基于翻转课堂的DSP原理及应用教学改革浅尝.docx
leetcode知乎-MySkill001:计算机知识学习笔记
06-30
仓库内容类似读书笔记，内容大多摘抄于学习的文章或书本，所以有些知识点会浅尝则止，甚至还会有理解错误的地方。 若有错误，希望及时指正。 目前打算分为以下方向进行学习和总结。 LeetCode 中间件 其他 感想 目前...
CAI在物理教学中的浅尝.doc
09-21
最后，CAI能拓宽学生知识领域，通过超文本链接，学生可以方便地获取相关知识，促进创造性思维的发展。 具体案例中，例如在“匀速圆周运动”教学中，使用动画模拟质点运动，使学生直观理解运动规律。在“牛顿第一...
对抗对齐分布--Adversarial Domain Adaptation for Cross-lingual Information Retrieval with Multilingual BERT
weiwei935707936的博客
11-25 772
论文浅尝 - WSDM20 | 基于弱监督及逐步推理的多关系知识图谱问答
开放知识图谱
06-05 1497
论文笔记整理：刘晓臻，东南大学计算机科学与工程学院本科生。来源：WSDM ’20链接：https://dl.acm.org/doi/abs/10.1145/3336191.3371812...
ALSA: Adversarial Learning of Supervised Attentions for VQA （VQA中有监督注意的对抗学习）
ITGuoZihan的博客
11-17 439
目录AbstractIntroductionRelated WorkVQAAdversarial LearningALSA for VQAProblem StatementSupervised Attention ModelsAdversarial Attention LearningOptimization for Answer PredictionExperimentsDatasets and BaselinesExperimental Settings and Evaluation MethodsRe
学习笔记-对抗生成网络
lonely_dark_horse的博客
01-15 1425
We propose a new framework for estimating generative models via an adversarial process, in which we simultaneously train two models
AI之强化学习、无监督学习、半监督学习和对抗学习
CJK's Blog
09-25 3101
强化学习（英语：Reinforcement Learning，简称RL）是机器学习中的一个领域，是强调如何基于环境而行动，以取得最大化的预期利益[1]。
论文浅尝 | 用对抗学习做知识表示（NAACL2018）
开放知识图谱
01-02 1237
论文链接：https://arxiv.org/pdf/1711.04071.pdf代码链接：https:// github.com/cai-lw/KBGAN  本文针对在...
论文浅尝 | AAAI2020 - 基于生成对抗的知识图谱零样本关系学习
开放知识图谱
04-19 2353
论文笔记整理：耿玉霞，浙江大学直博生。研究方向：知识图谱，零样本学习等。来源：AAAI2020论文链接：https://arxiv.org/pdf/2001.02332.pdf本文...
【论文解读】ACoL：对抗互补学习，弱监督物体定位方法
AI公园
02-05 1209
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶”作者：Sik-Ho Tsang编译：ronghuaiyang导读无需标签，定位物体的位置，弱监督物体定位的端到端的方法，超越CAM...
论文浅尝 | 面向开放域的无监督实体对齐
开放知识图谱
08-24 646
笔记整理 | 谭亦鸣，东南大学博士生来源：DASFAA’21链接：https://arxiv.org/pdf/2101.10535.pdf概述与动机知识图谱对齐的目的是建立两个不同知识图谱...
知识图谱 transformer
最新发布
08-27
知识图谱transformer是一种基于图谱结构的编码器模型，用于学习和表示知识图谱中的关系。它采用了类似于普通transformer模型的框架，但在结构上有一些差异。通过引用可以看到，知识图谱transformer的框架图与普通transformer模型相似。然而，为了更好地利用图谱中的关系结构，解决了线性/层次约束的问题，作者提出了一种新的Graph Transformer编码器，如引用所述。这种编码器允许模型有效地利用图谱的结构信息，从而更好地学习和表示知识图谱中的关系。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* [论文浅尝 | 利用图 Transformer 实现基于知识图谱的文本生成](https://blog.csdn.net/TgqDT3gGaMdkHasLZv/article/details/100190240)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *3* [基于生成式预训练Transformer的跨媒体内容生成及知识图谱构建](https://blog.csdn.net/universsky2015/article/details/131468154)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值