论文浅尝 | Know-Evolve: Deep Temporal Reasoning for Dynamic KG

最新推荐文章于 2023-04-25 09:25:36 发布
最新推荐文章于 2023-04-25 09:25:36 发布
阅读量2.1k 收藏 8
点赞数
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/79765487
版权
论文介绍了Know-Evolve，一种利用深度学习进行动态知识图谱中实体时间表示的学习方法。通过时间点过程和Rayleigh过程描述事件发生概率，并使用RNN更新实体状态。实验表明该模型在GDELT和ICEWS数据集上表现优于其他方法。
摘要由CSDN通过智能技术生成

论文链接：https://arxiv.org/abs/1705.05742

 

对于事件数据，需要动态更新的知识图谱来保存知识图谱中关系的时许信息。本文提出了 Know-Evolve 这种基于神经网络的动态知识图谱来学习实体在不同时刻的表示。在动态知识图谱中，事件由四元组表示，相比于普通的三元组，增加了时间信息，因此在动态知识图谱中，实体之间的可能通过多个相同的关系连接，但是这些关系会关联到不同的时序信息。Know-Evolve 中，使用时间点过程（temporal point process）来

最低0.47元/天 解锁文章
开放知识图谱
关注
  • 0
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
CVPR 2021 AGQA: A Benchmark for Compositional Spatio-Temporal Reasoning
smile909的博客
04-29 632
动机 视觉事件是由一个涉及演员和物体的空间交互的时间动作组成的。人们对利用问答来实现视频推理能力的兴趣与日俱增。 现有的视频问答基准是有用的，但它们往往将多个误差源混入一个准确性度量中，并且具有模型可以利用的强烈偏差，使得模型的弱点很难精确定位。 对于现有的视频问答基准，由于答案分布的偏差和视觉事件发生的非均匀分布，模型可能会发展出“cheating”的方法，这种方法可以表面上猜测答案，而不学习潜在的合成推理过程。 视觉领域只开发了使用静态图像或同步世界的组合问答基准，这些静态图像或同步世界要么不是时空
Know-Evolve:ICML '17论文“动态知识图的深度时间推理”的实现代码
05-18
知识进化 该存储库包含ICML '17论文的代码：“” 安装 要获取源代码，请运行： git clone https://github.com/rstriv/Know-Evolve.git 完整安装需要两个步骤： 安装基础graphnn库： cd code/graphnn_base 请按照页面上提供的安装说明进行操作。 这是库的过时和稍作修改的版本。 构建知识演化代码： cd code/know_evolve make 这将创建一个构建目录。 如果遇到任何错误，请检查Makefile中的路径是否正确。 进行实验 要在小型样本数据集（500个实体）上进行实验，请执行以下操作： cd code/know_evolve ./run_small.sh 要在完整的数据集上运行实验（将需要更长的测试时间）： cd code/know_evolve ./run_large.sh
知识图谱推理论文阅读 Know-Evolve: Deep Temporal Reasoning for Dynamic Knowledge Graphs
qq_43591859的博客
04-07 1283
一、主要贡献 1、提出了一种基于新出现事实的随时间演化的深度学习架构。动态进化网络将吸收新的事实，从中学习，并基于它们最近的关系和时间行为更新相关实体的嵌入。 2、除了预测事实的发生，我们的架构还能预测事实可能发生的时间，这是任何先前的关系学习方法都不能做到的。 3、模型支持开放世界假设，缺失的链接不被认为是错误的，而是可能在未来潜在地发生，由于其新颖的动态嵌入过程，它进一步支持对看不见的实体的预测。 二、时间点过程 给定所有时间t之前发生的事件的条件下，当前时刻发生事件的可能性...
时序知识图谱推理：Know-Evolve: Deep Temporal Reasoning for Dynamic Knowledge Graphs
qq_44091306的博客
11-24 4585
推理是个很重要的概念，在很多领域中都要用到。有效的表示和学习知识是个很重要的任务。在具体方面，知识图谱作为研究复杂多关系环境的重要模型而受到广泛关注。然而，最近有大量基于事件的交互数据，这些数据除了具有多关系性质外，还表现出复杂的时间动态，因此需要一种能够表征和推理时间演变系统的方法因此，传统知识图谱需要被扩充到时间知识图谱中，在这些图谱中，事实会随着时间的推移而发生、重复或演变，并且图中的每个边都有与之相关的时态信息。图1显示了这种时态知识图谱的子图快照。
Know-Evolve: Deep Temporal Reasoning for Dynamic Knowledge Graphs
最新发布
weixin_46226815的博客
04-25 654
Know-Evolve:Deep Temporal Reasoning for Dynamic Knowledge Graphs
【论文阅读】Deep Reasoning with Knowledge Graph for Social Relationship Understanding
LeviAckerman的博客
03-07 1557
Motivation Existing works either merely fixate on the regions of persons of interest [Sun et al., 2017] or exploit category-agnostic proposals as contextual information [Li et al., 2017] to perform p...
Python库 | hg-evolve-8.1.1.tar.gz
04-09
资源分类：Python库 所属语言：Python 资源全名：hg-evolve-8.1.1.tar.gz 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
peewee-db-evolve:Peewee ORM的自动迁移
05-07
Peewee DB演进 ...将函数evolve(db, interactive=True, ignore_tables=None, schema=None)注入到Peewee的数据库对象中。 如果为true，则显示为interactive ，将显示建议的更改并提示您确认。 如果为false，将
ddd-es-evolve-homework：ddd-es-evolve-homework
02-18
标题中的"ddd-es-evolve-homework"是一个项目或任务的名称，暗示这是一次针对领域驱动设计（DDD）、事件溯源（ES）和版本控制（Evolve）技术的学习实践。这个家庭作业可能要求参与者实现一个具体的应用程序，利用...
TGIF-QA: Toward Spatio-Temporal Reasoning in Visual Question Answering
03-06
《TGIF-QA: Toward Spatio-Temporal Reasoning in Visual Question Answering》论文，最新阐述了注意力机制
deep-activity-rec:论文 ibrahim et al, cvpr 2016 - A Hierarchical Deep Temporal Model for Group Activity Recognition -
08-05
内容 历史 这项工作的第一个版本被 CVPR 2016 接受。 在 arxiv 上上传了扩展工作。 。 此版本建立在先前版本的基础上，包括以下内容： 我们收集了比 CVPR 提交大 3 倍的扩展排球数据集。 我们对实验结果进行了进一步分析，并包括与一组额外的基线方法的比较。 我们实施了我们方法的一种变体，以对人员执行空间池化策略。 提供的数据集是扩展版本。 请使用并与此版本进行比较。 抽象的 在群体活动识别中，可以根据代表活动的个体的动态来推断整个活动的时间动态。 我们基于 LSTM 模型构建了一个深度模型来捕捉这些动态。 为了利用这些观察结果，我们为群体活动识别问题提出了一个两阶段的深度时间模型。 在我们的模型中，LSTM 模型旨在表示序列中个人的动作动态，而另一个 LSTM 模型旨在聚合人级信息以了解整个活动。 我们在两个数据集上评估我们的模型：集体活动数据集和一个新的排球
Recurrent Event Network for Reasoning over Temporal Knowledge Graphs.pdf
08-09
Recently, there has been a surge of interest in learning representation of graphstructured data that are dynamically evolving. However, current dynamic graph learning methods lack a principled way in modeling temporal, multi-relational, and concurrent interactions between nodes—a limitation that is especially problematic for the task of temporal knowledge graph reasoning, where the goal is to predict unseen entity relationships (i.e., events) over time. Here we present Recurrent Event Network (RE-NET)—an architecture for modeling complex event sequences—which consists of a recurrent event encoder and a neighborhood aggregator. TheeventencoderemploysaRNNtocapture(subject,relation)-specific patterns from historical entity interactions; while the neighborhood aggregator summarizes concurrent interactions within each time stamp. An output layer is designed for predicting forthcoming, multi-relational events. Experiments1 on temporal link prediction over two knowledge graph datasets demonstrate the effectiveness of our method, especially on multi-step inference over time.
A Hierarchical Deep Temporal Model for Group Activity Recognition
姚太平的博客
02-10 1738
A Hierarchical Deep Temporal Model for Group Activity Recognition,a LSTM model is designed to represent action dynamics of individual people in a sequence and another LSTM model is designed to aggregate person-level information for whole activity understan
论文浅尝 | Future Event Prediction Based on Temporal KG Embedding
开放知识图谱
01-04 666
笔记整理：杨露露，天津大学硕士链接：https://www.techscience.com/csse/v44n3/49146/html动机对未来事件的准确预测在许多领域为社会带来巨大利益，减少损失，如内乱、流行病和犯罪。知识图谱是描述和建模复杂系统的通用语言。不同类型的事件不断发生，这些事件通常与历史事件和并发事件有关。在本文中，作者将未来事件的预测形式化为一个时态知识图谱推理问题。现有的大多数研...
知识图谱最新权威综述论文解读：时序知识图谱部分
ngl567的博客
02-28 5768
从最近一两年有关知识图谱的顶会论文中可以发现，越来越多的国内外研究者开始关注动态时序知识图谱，可见时序知识图谱已经成为了一大研究趋势，相信之后会有更多相关研究出来。因此，这期我们对综述论文的时序知识图谱部分接着进行解读，同时泽宇给出一些时序知识图谱的研究现状。 当前的知识图谱的研究主要集中在事实不随时间变化的静态知识图谱上，而知识图谱的时序动态性则很少被研究。但是，时间对于表示知识非常重要，因为结构化知识仅在特定时期内有效，事实的发展遵循时间顺序。最近的一些研究开始将时间信息纳入知识图谱表示学习和知识图谱
xERTE：利用时间信息且具有可解释性的KG预测模型
xuan_ting的博客
02-03 2240
xERTE: EXPLAINABLE REASONING ON TEMPORAL KNOWLEDGE GRAPHS FOR FORECASTING FUTURE LINKS 这是ICLR 2021的一篇temporal KG论文，作者是Zhen Han, Peng Chen, BYunpu Ma, BVolker Tresp。xERTE框架可以对时间KG的查询相关子图进行推理，并对图结构和时间上下文信息进行联合建模，最终预测未来发生事件的关联（link）。 1 背景知识 推理（Reasoning）：从已知
Activity Recognition行为识别
热门推荐
Rachel Zhang的专栏
09-22 3万+
暑假听了computer vision的一个Summer School，里面Jason J. Corso讲了他们运用Low-Mid-High层次结构进行Video Understanding 和 Activity Recognition的方法，受益颇深，在这里把他的方法总结一下: ----------------------------------------------
评论 2
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