直播 | CIKM 2021论文解读：基于广群的知识图谱表示学习统一模型框架

「AI Drive」是由 PaperWeekly 和 biendata 共同发起的学术直播间，旨在帮助更多的青年学者宣传其最新科研成果。我们一直认为，单向地输出知识并不是一个最好的方式，而有效地反馈和交流可能会让知识的传播更加有意义，从而产生更大的价值。

本期 AI Drive，我们邀请到北京大学博士生杨寒 ，为大家在线解读其发表在 CIKM 2021 的最新研究成果：Knowledge Graph Representation Learning as Groupoid: Unifying TransE, RotatE, QuatE, ComplEx。对本期主题感兴趣的小伙伴，11 月 2 日（本周二）晚 7 点，我们准时相约 PaperWeekly 直播间。

直播信息

本文主要从广群的角度对常见的知识图谱表示学习模型进行了统一表示。在此基础上，本文利用广群的同构对常见模型之间的内在联系进行了分析，给出了常见模型间的相互转换方法，提高了模型的可解释性。此外，本文还将常见模型的连续群推广到离散低阶离散群，拓宽了模型广群表示的可选择范围，从而提出了一种基于知识图谱结构自适应的表示学习框架。实验证明了本文的模型有效性。

论文标题：

Knowledge Graph Representation Learning as Groupoid: Unifying TransE, RotatE, QuatE, ComplEx

论文链接：

https://disk.pku.edu.cn/#/link/6B9685322D6BF174134678532234DAB5

本次分享的具体内容有： 

• 知识图谱表示学习模型现状

• 知识图谱表示学习模型三个组成部分

• 知识图谱表示学习的构成条件

• 常见模型的广群表示

• 常见模型间的同构

• 通用的表示框架以及当前模型的存在的问题

• 低价离散群到代数广群

• 常见模型间的转换方法

• 实验与结果

嘉宾介绍

 杨寒 / 北京大学博士生 

杨寒，北京大学博士生，主要研究知识图谱表示学习和多模态知识图谱。在 MM，CIKM 等 CCF A、CCF B 会议上发表多篇论文。

直播地址 & 交流群

本次直播将在 PaperWeekly 视频号和 B 站直播间进行，扫描下方海报二维码或点击阅读原文即可免费观看。线上分享结束后，嘉宾还将在直播交流群内实时 QA，在 PaperWeekly 微信公众号后台回复「AI Drive」，即可获取入群通道。

视频号直播间：

扫描下方二维码关注 PaperWeekly 视频号，第一时间获取开播提醒。

B 站直播间：

https://live.bilibili.com/14884511

合作伙伴

🔍

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

·