论文浅尝 | BoxE：一种基于Box的知识图谱表示学习模型

最新推荐文章于 2023-09-27 17:29:03 发布
最新推荐文章于 2023-09-27 17:29:03 发布
阅读量1.7k 收藏 11
点赞数 2
文章标签： 机器学习 人工智能 深度学习 知识图谱 计算机视觉
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/116246220
版权
BoxE是一种新的知识图谱表示学习模型，它将关系表示为向量空间中的区域（Box），增强了模型的表达能力和推理规则捕获能力。与传统方法相比，BoxE能更好地处理多元关系，并能融合外部推理规则，实现在知识图谱补全任务上的优秀表现。
摘要由CSDN通过智能技术生成

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。

论文链接:  https://arxiv.org/pdf/2007.06267.pdf

本文是发表在NeurIPS 2020上的一篇基于Box的知识图谱表示学习模型的文章。在以往知识图谱表示学习（KG Embedding）的相关工作中，通常将知识图谱中的实体和关系均映射为n维向量空间中的一个点，而这篇文章提出将图谱中的关系表示为n维空间中的一个区域，即一个Box，基于Box的关系表示，使得表示学习模型的表达能力更强、能更好地捕获隐含在图谱中推理规则，同时可以兼容外来的推理规则。更重要的是，模型支持对图谱中多元关系（>2）的表达，对于更复杂的知识库有较强的学习能力。

1. 背景：知识图谱与知识库

通常，知识库由一组facts组成，每个fact表示为    ，即m个实体 

最低0.47元/天 解锁文章
开放知识图谱
关注
论文浅尝 | Temporal Knowledge Graph Completion Using Box Embeddings
开放知识图谱
11-04 1430
笔记整理：杨露露，天津大学硕士论文链接：https://www.aaai.org/AAAI22Papers/AAAI-6210.MessnerJ.pdf动机时态知识图谱补全（TKGC）中的主要挑战是额外学习时间戳嵌入，以便嵌入模型根据关系、实体和时间戳嵌入联合执行评分。本文提出了BoxTE，一个用于TKGC的盒子嵌入模型，建立在静态知识图谱嵌入模型BoxE之上。亮点本文的亮点主要包括：（1）表明 ...
基于深度学习的图表示学习方法综述（Deep Learning for Learning Graph Representations）.pdf
03-24
图，如社交网络、单词共存网络和通信网络，广泛地存在于各种现实应用中。通过对它们的分析，我们可以深入了解社会结构、语言和不同的交流模式，因此图一直是学界研究的热点。
图表示学习经典方法——GCN＆GAE
最新发布
学姐带你玩AI的博客
09-27 872
未来的研究方向包括开展更加高效的图嵌入方法，解决大规模图数据上的图表示学习问题。早期的图表示学习方法主要是基于图遍历（Graph Traversal）的方法，例如随机游走（Random Walks）和基于网络传播（Network Propagation）的方法。GAE的目标是重建图数据，将节点特征作为输入，将其压缩为低维度的表示，然后解压缩得到重构的图。未来的研究应该聚焦于解决大规模图数据上的图表示学习问题和如何更好地融合不同尺度的信息，以及探索更广泛的应用。此外，还有一些其他的图表示学习方法，
Graph Embedding：工业界常用的6种图表示学习方法
QcloudCommunity的博客
06-09 589
导语 | Graph Embedding属于表示学习的一种，目的是通过图的拓扑结构学习得到图中节点的低维稠密表示，从而更方便地应用于下游任务。本文介绍部分工业界常用的Graph Embed...
图表示学习
weixin_44911248的博客
05-01 7026
文章目录1.导言1.1 为什么要研究图（graph）1.2 针对图结构的机器学习任务1.3 特征表示的难点1.4 特征表示的解决思路1.5 线性化思路1.6 图神经网络1.7 讨论：何谓Embedding1.8 总结2.图结构表示学习2.1 deepwalk(深度游走算法)2.2 node2vec3. 图特征表示学习3.1 GCN 图卷积网络 1.导言 1.1 为什么要研究图（graph） 很多数据都是图结构，例如社交网络、经济网络、生物医学网络、信息网络（互联网网站、学术引用）、互联网、神经网络。而网络是
Box模型与CSS框架
qq_42865575的博客
08-12 377
HTML元素分类 HTML标签：HTML标签指使用尖括号括起来的关键字。 1、 其中不以斜杠（/）开头的标签称为开始标签，以斜杠（/）开头的标签称为结束标签——双标签<p>内容</p> 2、有些标签本身既是开始标签也是结束标签——单标签<br/&am
元信息和逻辑规则增强的知识图表示学习模型Melo
知识图表示学习元信息逻辑规则增强知识嵌入A B S T R A C T现有的知识图表示学习模型依赖于三元结构的显式语义信息为了提高KGRL模型的性能和准确性，弥补现有研究的不足，提出了一种新的KGRL模型Melo（Meta-...
YOLO v2目标检测详解一box生成与转换
路途遥远，初心难忘，道阻且长，愿君走出半生，归来仍是少年
04-07 1224
yolo v2会将图片切割成若干个大小为32*32 的小格子，因此，将图片传入时，图片的长和宽都必须是32的倍数，如下所示： 后面的内容中，如果没有说明，都是指的小格子。yolo v2中的box中的数据并不是平常的xmin,ymin,xmax,ymax，而是，offset_x,offset_y,w,h，分别代表的意思是：box中心x坐标在小格子的比例，box中心y坐标在小格子的比例,宽和小格...
BERT新转变：面向视觉基础进行预训练| NeurIPS 2019论文解读
AMiner2006的博客
12-26 2174
ViLBERT: Pretraining Task-Agnostic Visiolinguistic Representations for Vision-and-Language Tasks 论文作者： Jiasen Lu, Dhruv Batra, Devi Parikh, Stefan Lee（佐治亚理工学院、俄勒冈州立大学、Facebook AI Research） 点此进入“论文地...
box_embedding_paper_list:框嵌入的纸质清单
04-12
包装盒内嵌纸清单 这是关于（概率）盒嵌入的新兴研究方向的（不完整的）论文列表。 拉请求是受欢迎的。 文件 结构化表示与推理 Probabilistic Embedding of Knowledge Graphs with Box Lattice Measures. L Vilnis *，X Li *，S Murty和A McCallum。 （ ACL 2018 ）[] [] Probabilistic Embedding of Knowledge Graphs with Box Lattice Measures. 李翔*，卢克·维尔尼斯*，张东旭，迈克尔·博拉特科，安德鲁·麦卡勒姆。 （ ICLR 2019 ）[] Improving Local Identifiability in Probabilistic Box Embeddings. Shib Dasgupta *，Micha
基于图神经网络的图表示学习方法
人生苦短，LET US GO
07-05 437
基于GIN的图表征网络的实现 基于图同构网络的图表征学习包含以下过程： 首先计算得到节点表征； 然后对图上各个节点的表征做图池化，得到图的表征。 基于图同构网络的图表征模块（GINGraphRepr Module） import torch from torch import nn from torch_geometric.nn import global_add_pool, global_mean_pool, global_max_pool, GlobalAttention, Set2Set from
论文中的一些工具概念
sunxia233的博客
06-29 649
双线性插值 https://zhuanlan.zhihu.com/p/22882367 仿射变换 https://www.zhihu.com/question/20666664
【论文阅读笔记】Modeling Fine-Grained Entity Types with Box Embeddings
七月的风喃的博客
10-18 1264
【ACL2021】Modeling Fine-Grained Entity Types with Box Embeddings 背景： 命名实体识别和实体类型的发展以在类型集上的大小和复杂性的增长为特征，这些类型通常遵循一些层次结构，因此，针对这些任务的有效模型经常明确地涉及这个层次结构。之前的系统通过层次性loss纳入了这种结构或通过嵌入类型到高维欧氏或双曲空间。然而，前一种方法需要类型层次结构的先验知识，这不适用于最近的一类大型类型集，其中层次结构并不明显。后一种方法，虽然利用双曲空间的归纳偏差来表示树
知识图谱推理论文阅读（三）QUERY2BOX: REASONING OVERKNOWLEDGE GRAPHS INVECTOR SPACE USING BOX EMBEDDINGS
han54878的博客
08-28 383
因为一个复杂的查询表示它的答案实体是一个潜在的大集合，但将这个集合表示为单个点是不太清楚的。此外，之前的工作只能处理使用合取(∧)和存在量词(∃)的查询。其中，Cen⁡(p)∈Rd 是盒子的中心， Off⁡(p)∈R≥0d 是盒子的正偏移，建模了盒子的尺寸大小。最近，解决这个问题的一种很有前景的方法是将KG实体和查询嵌入到向量空间中，这样回答查询的实体就嵌入到查询附近。即outside距离与这个实体和box的最近的角落有关，inside距离取决于box的中心和这个实体的位置本身（如果实体在盒子里的话）。..
论文综述——Event-Event Relation Extraction using Probabilistic Box Embedding
墨夜之枫的博客
01-02 989
事件关系抽取：文本中包含多个事件e1,e2,…,en，识别每个事件对(ei,ej)之间的关系r(ei,ej)子事件(Subevent)关系抽取：{PARENT-CHILD, CHILD-PARENT, COREF, NOREL}事件时序(Temporal)关系抽取：{BEFORE, AFTER, EQUAL, VAGUE}主流的方法都是采用Vector-based的方法，将文本和所有类别标签表征成向量，然后采用Multi-class Classification的方法逐个判断是否属于某个关系类型。
调研MLBox的EntityEmbedding并用PyTorch重构
using namespace 数学工具构造器;
07-28 612
文章目录什么是实体嵌入(Entity Embeddings)独热编码标签编码实体嵌入用PyTorch重构MLBox的EntityEmbedding计算相应的嵌入维度计算MLP隐层的神经元数构造各个类别的线性Embed构造中间两个隐层构造最后的输出层权重初始化实验结论 什么是实体嵌入(Entity Embeddings) 在处理机器学习问题时，有一个问题必须思考：如何编码数据集中的类别变量？ 类别编码的两个基本方法是独热编码（onehot encoding）和标签编码（label encoding）。 独热编
ConvKB代码：A Novel Embedding Model for Knowledge Base Completion Based on Convolutional Neural Network
REfusing的博客
03-10 2944
1 介绍 本篇论文以卷积的方式对知识图谱进行补全，在实现时进行预测三原组是正确的还是错误的，该方法在论文ConvK的基础上进行改进，其在逻辑实现的过程中十分简单，通过相应的模型图即可知道其原理。 2 模型 2.1 模型图 2.2 模型解释 将三元组进行embedding，将(h,r,t)(h, r, t)(h,r,t)三元组转化为(vh,vr,vt)\left(\boldsymbol{v}_{h}, \boldsymbol{v}_{r}, \boldsymbol{v}_{t}\right)(vh​,vr
ICLR 2020|知识图谱推理框架：基于向量空间的推理和数值逻辑推理
Arnetminer的博客
05-03 1343
2篇ICLR 2020 推理主题论文解读 ICLR专题 知识图谱作为人类知识的载体，蕴含着丰富的语义知识，因此支撑着许多上游的应用，例如问答，推荐等。基于知识图谱的推理作为知识图谱问答的基础，也是有着不同的解决框架，本文解读了两篇不同框架的论文：一篇是基于知识图谱的向量嵌入技术，完全基于向量操作进行推理演算；另一篇是基于Neural Logic Programming框架，并进一步解决了数值推...
2021.1知识图谱表示与推理综述（自己总结）
weixin_43253562的博客
03-06 4140
知识图谱表示与推理综述     知识图谱作为一种结构化的知识形式，受到了学术界和工业界的广泛关注，是人工智能的研究方向之一。近年来，知识表示与推理受到人类问题求解的启发，将知识表示为智能系统，以获得解决复杂任务的能力。知识图谱包含数万甚至上亿的事实，如Freebase[1]、DBpedia[2]和YAGO[3]，描述整个图谱，通常以以下形式进行定义：(E,R,O)(E,R,O)(E,R,O)，其中，EEE 是实体集合， RRR 是关系集合，OOO 是观察到事实的三元组集合，每个三元组以(h,r,t)(h,r
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