论文浅尝 | PASSLEAF：基于样本池的不确定性知识图谱嵌入半监督学习框架

最新推荐文章于 2024-07-31 19:40:31 发布
最新推荐文章于 2024-07-31 19:40:31 发布
阅读量1.2k 收藏 4
点赞数
文章标签： python 机器学习 人工智能 深度学习 算法
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/127201423
版权
论文介绍了PASSLEAF，一个处理不确定性知识图谱（UKG）的半监督学习框架，它改进了现有UKG嵌入方法，通过预测置信度和生成带有置信度的负样本，提高了模型性能。PASSLEAF包含一个样本池，用于收集不同时间步的学习知识，避免假负样本的影响，提升学习效果。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

8eab786d0808e785a310be453a24407c.png

笔记整理：陈一林，东南大学硕士，研究方向为不确定性知识图谱规则与推理。

论文引用：Citation: Chen, Z.M., Yeh, M.Y. and Kuo, T.W., 2021, May. PASSLEAF: A Pool-bAsed Semi-Supervised LEArning Framework for Uncertain Knowledge Graph Embedding. In Proceedings of the AAAI Conference on Artificial Intelligence (Vol. 35, No. 5, pp. 4019-4026).

动机

不确定性知识图谱（uncertain knowledge graph, UKG）含有知识的置信度信息，然而现有的大部分知识图谱嵌入（embedding）方式都忽视了这种置信度信息。UKGE是第一个针对UKG设计的嵌入方法，它的主要思想是将三元组的得分映射为置信度，并将其与真实置信度比较作损失。但是UKGE遵循封闭世界假设，将未出现的三元组均视为负样本；基于DisMult的嵌入方式，让其无法扩展到别的嵌入方式，使用概率软逻辑来构造新的训练样本的方式需要领域知识和较大的人工成本。PASSLEAF针对UKGE存在的这些问题设计了优化方式，以改善表现。PASSLEAF由两部分组成，置信度预测模型和包含自动生成含有置信度

最低0.47元/天 解锁文章
在不确定性中寻求确定性：知识图谱嵌入的符合化答案集预测
步子哥的博客
08-17 787
在机器学习与人工智能的快速发展中，知识图谱（Knowledge Graphs, KGs）作为一种重要的数据表示形式，由于其在非经典推理方面的能力，受到越来越多的关注。知识图谱嵌入（Knowledge Graph Embeddings, KGE）技术通过将实体和关系映射为数值向量，使机器能够在复杂的数据结构中发现潜在的关联与规律。然而，传统的KGE模型在处理高风险领域（如医疗）时，往往面临着答案不够可靠的问题，因为其生成的排名往往缺乏有意义的概率解释。
论文浅尝 | CAKE：一个用于多视图知识图谱补全的可扩展性常识感知框架
开放知识图谱
08-01 925
笔记整理：陈子强，天津大学硕士链接：https://aclanthology.org/2022.acl-long.36.pdf动机以往的知识图谱补全仅仅依靠事实级别数据来预测实体之间缺失的关系，这样忽略了有价值的常识性知识。以往的知识图谱嵌入面临无效的负采样和事实层面链接预测不准确的问题。贡献亮点主要包括：•我们提出了一个具有自动常识生成机制的可扩展的KGC框架，以从事...
论文浅尝 | PASSLEAF: 一个用于不确定知识图谱嵌入的基于样本池的半监督学习框架...
开放知识图谱
08-31 951
笔记整理：杨露露，天津大学硕士链接：https://ojs.aaai.org/index.php/AAAI/article/view/16522/16329动机在不确定知识图谱的嵌入中，实体之间的每个关系都有一个置信度。鉴于现有的嵌入方法可能会丢弃不确定性信息，或只加入特定类型的得分函数，或在训练中造成大量的假的负样本，本文提出PASSLEAF框架来解决上述问题。亮点PASSLEAF框架的亮点主要...
论文浅尝 | 知识图谱的不确定性衡量
开放知识图谱
06-12 1419
论文笔记整理：谭亦鸣，东南大学博士。来源：Knowledge and Information Systems volume62,pages611–637(2020)链接：https:...
技术动态 | 不确定性知识图谱的表示和推理
开放知识图谱
05-03 3455
本文转载自漆桂林知乎。作者 |张嘉韬、漆桂林、吴天星文章链接 |https://zhuanlan.zhihu.com/p/369068016随着近年人工智能的兴起，各种大型的通用知识图...
知识图谱学习笔记2
Mrong1013967的博客
11-22 1083
知识 知识的特点： 相对正确性 不确定性 可表示性 可利用性 知识分类： 按照作用范围分类：常识性知识，领域性知识 按照作用及表示分类：事实性知识、过程性知识、控制知识 按照确定性分类：确定性知识和不确定性之时 按结构及表现形式分类：逻辑性知识和形象性知识 早期知识表示方法 一阶谓词逻辑：包含的谓词逻辑是一阶的，即刻画个体属性的谓词 优点：自然性、易接受、严密性、易于转化为计算机内部形式 缺点：无法表示不确定性知识、难表示启发性知识和元知识、组合爆炸、效率低 产生式系统：依
论文浅尝 | CABINET: 基于内容相关性的表格问答降噪（ICLR2024）
最新发布
开放知识图谱
07-31 465
笔记整理：曲晏林，天津大学硕士，研究方向为大模型论文链接：https://arxiv.org/html/2402.01155发表会议：ICLR20241. 动机通常，只有少数单元格包含所需的信息，不相关的表格数据充当分散的信息或噪声，导致性能次优。在大型表中，由于存在更多的数据，性能下降会进一步放大。DATER是最先进的表格QA方法之一，其将表格分解为更简单的子表格，其中包含通过向基于GPT-3的...
论文浅尝 | 从具有数值边缘属性的知识图谱中学习嵌入
开放知识图谱
12-20 906
论文笔记整理：朱珈徵，天津大学硕士链接：https://www.ijcai.org/proceedings/2021/0395.pdf动机从遗传数据到社会网络，在越来越多的场景下与知识图谱...
UKGE:论文“嵌入不确定的知识图”的代码和数据
05-31
嵌入不确定的知识图 该存储库包括 UKGE 的代码和实验中使用的数据。 安装 确保您的本地环境安装了以下内容： Python3 tensorflow >= 1.5.0 scikit-learn 使用以下方法安装依赖项： pip install -r requirements.txt 运行实验 要运行实验，请使用： python ./run/run.py 或者 python ./run/run.py --data ppi5k --model rect --batch_size 1024 --dim 128 --epoch 100 --reg_scale 5e-4 您可以使用--model logi切换到 UKGE(logi) 模型。 数据可在： : 参考 请参考我们的论文。 陈雪露、陈慕豪、史维嘉、孙一洲、Carlo Zaniolo。 嵌入不确定的知识图谱。 2019 年
半监督学习_知识点脑图
XiaoPANGXia的专栏
12-25 772
读西瓜书半监督学习那章，聊做笔记。
机器学习：半监督学习
小白兔的窝
03-19 1353
http://blog.csdn.net/yhdzw/article/details/22733371
论文浅尝 - ICLR2020 | 用于半监督分类的图形推理学习
开放知识图谱
07-10 1512
论文笔记整理：周虹廷，浙江大学研究生。研究方向：知识图谱，图表示学习等。论文链接：https://arxiv.org/pdf/2001.06137.pdf本文是发表在ICLR2020上针...
知识图谱赵军学习笔记（二）--知识表示
qq_24495287的博客
02-15 1583
经典知识表示理论 逻辑 从简单到复杂分为： 命题逻辑： 具有最简单的语法，定义了具有真假值的原子命题，通过与、或、非、蕴含、当且仅当等将多个原子命题组合成复合命题，而推理过程则根据逻辑连接词的真值表进行推导 一阶谓词逻辑（一阶逻辑）： 在命题逻辑基础上引入了全称量词和存在量词，使得一阶逻辑可以量化实体和概念 高阶逻辑： 量化谓词或集合 二阶量化集合 三阶量化集合的集合 谓词逻辑 优点 谓...
知识图谱学习笔记——（二）知识图谱的表示
lucky7213的专栏
04-13 2909
《浙大知识图谱完整版》--知识图谱的表示
CS224W摘要10.Knowledge Graph Embeddings
老毛的博客
09-27 1309
文章目录Heterogeneous Graphs and Relational GCN (RGCN)Heterogeneous GraphsRGCNblock diagonal matricesBasis/Dictionary learningLink Prediction CS224W: Machine Learning with Graphs 公式输入请参考：在线Latex公式 主要内容： 1.介绍 异质图heterogeneous graph的概念和异质图经典baseline：relational G
uncertain temporal knowledge graph论文解读
weixin_43036882的博客
03-13 881
不确定时间知识图谱–uncertain temporal knowledge graph 摘要 时间数据随处可见，例如医疗历史，购物史，雇佣史和网页日志。开源的信息抽取工具证实了从这些数据源自动构建知识图谱的可行性。通常这些工具抽取出来的数据都带有它们的置信度，这就引出了不确定（概率）知识图谱的概念。由于抽取工具的问题，或者数据源自身的问题，抽取的事实关系等带有不确定性或者错误。 在本论文中，作者...
知识图谱 每日阅读(三)
我开心呀的博客
08-13 995
概率图模型 本节详细介绍一下概率图模型，概率图模型比如隐马尔可夫模型和条件随机场模型在实体识别、自然语言处理的过程中：分词、关键词提取部分都会用到。 首先概率图模型可大致分为两类:第一类是使用有向无环图表 示变量间的依赖关系，称为有向圈模型或贝叶斯网(Bayesian network);第二类 是使用无向国表示变量间的相关关系，称为无向图模型或马尔可夫网(Markovnetwork). ...
知识图谱中的lhs和rhs怎么理解？
qq_38432089的博客
04-20 1854
在看别人代码的时候总是出现lhs、rhs的字眼，猜测是约定俗成的命名方式。
KG2E 论文笔记
Jay98的博客
03-09 722
Learning to Represent Knowledge Graphs with Gaussian Embedding
知识图谱 transformer
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 ]
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