论文阅读
文章平均质量分 94
记录深度学习论文阅读,欢迎大家一起交流学习
爱达堡
编程新手
展开
-
CTEA论文翻译
基于嵌入的跨语言时序知识图谱实体对齐实体对齐旨在通过匹配多源知识图谱中的相同实体来构建完整的知识图谱(KG)。现有的实体对齐研究主要集中在知识边缘图中的静态多关系数据。然而,实体之间的关系或属性通常也具有时间特征。忽视这些时间特征经常会导致对齐错误。与研究时序知识图谱中的实体对齐相比,跨语言时序知识图谱中的实体对齐方面的工作相对较少。因此,在本文中,我们提出了一种跨语言时序知识图的实体对齐方法,即CTEA。CTEA在GCN和TransE的基础上,将实体嵌入、关系嵌入和属性嵌入相结合,设计了联合嵌入模型,更有原创 2024-08-23 20:51:58 · 758 阅读 · 0 评论 -
ZeroEA阅读笔记
实体对齐(EA)是知识图(KG)研究中的一项关键任务,旨在识别不同知识图谱中的等效实体,以支持知识图谱集成、文本到SQL和问答系统等下游任务。考虑到KG中丰富的语义信息,预训练语言模型(PLM)凭借其卓越的上下文感知编码功能,在EA任务中展现出了良好的前景。然而,当前基于PLM的解决方案遇到了一些障碍,例如需要大量培训、昂贵的数据注释以及结构信息的结合不足。在本研究中,我们引入了一种新颖的零训练EA框架ZeroEA,它可以有效地捕获PLM的语义和结构信息。原创 2024-08-20 15:51:07 · 640 阅读 · 0 评论 -
ZeroEA论文翻译
实体对齐(EA)是知识图(KG)研究中的一项关键任务,旨在识别不同知识图谱中的等效实体,以支持知识图谱集成、文本到 SQL 和问答系统等下游任务。考虑到 KG 中丰富的语义信息,预训练语言模型 (PLM) 因其卓越的上下文感知编码能力而在 EA 任务中显示出前景。然而,当前基于 PLM 的解决方案遇到了一些障碍,例如需要大量培训、昂贵的数据注释以及结构信息的结合不足。在本研究中,我们引入了一种新颖的零训练 EA 框架 ZeroEA,它可以有效地捕获 PLM 的语义和结构信息。原创 2024-08-19 15:49:53 · 460 阅读 · 0 评论 -
PI-GNN论文翻译.md
基于参数隔离的动态图的持续学习许多现实世界的图学习任务需要处理出现新节点和边的动态图。动态图学习方法通常会遇到灾难性遗忘问题,即先前图学到的知识会被新图的更新覆盖。为了缓解这个问题,提出了连续图学习方法。然而,现有的连续图学习方法旨在学习新模式并使用同一组固定大小的参数维护旧模式,因此面临两个目标之间的基本权衡。在本文中,我们提出了参数隔离 GNN(PI-GNN),用于动态图的持续学习,通过参数隔离和扩展来规避权衡。我们的动机在于不同的参数有助于学习不同的图形模式。基于这个想法,我们扩展模型参数以不断学习新原创 2024-08-09 16:55:31 · 402 阅读 · 1 评论 -
InCDE论文翻译
传统的知识图嵌入(KGE)方法通常需要在新知识出现时保留整个知识图(KG),这会带来巨大的训练成本。为了解决这个问题,提出了连续知识图嵌入(CKGE)任务,通过有效地学习新兴知识,同时保留适当的旧知识来训练 KGE 模型。然而,知识图谱中的显式图结构对于实现上述目标至关重要,但却被现有的 CKGE 方法严重忽略。一方面,现有方法通常以随机顺序学习新的三元组,破坏了新知识图谱的内部结构。另一方面,旧的三元组被同等优先地保留,未能有效缓解灾难性遗忘。原创 2024-08-09 16:39:37 · 1180 阅读 · 0 评论 -
PUMA论文阅读
在处理流图时,现有的图表示学习模型会遇到灾难性的遗忘问题,当使用新传入的图进行学习时,先前学习的这些模型的知识很容易被覆盖。作为回应,持续图学习(CGL)作为一种新颖的范式出现,能够实现从静态图到流图的图表示学习。我们之前的工作 Condense and Train (CaT)是一个基于重放的 CGL 框架,具有平衡的持续学习过程,它设计了一个小而有效的内存库,用于通过压缩传入的图来重放数据。原创 2024-08-08 20:58:46 · 755 阅读 · 0 评论 -
SelfKG论文翻译
实体对齐旨在识别不同知识图谱(KG)中的等效实体,是构建网络规模知识图谱的基本问题。在其发展过程中,标签监督被认为是准确对准所必需的。受到自监督学习最近进展的启发,我们探索了在多大程度上可以摆脱实体对齐的监督。通常,标签信息(正实体对)用于监督将每个正实体对中对齐的实体拉近的过程。然而,我们的理论分析表明,实体对齐的学习实际上可以通过将未标记的负对相互远离而不是拉近标记的正对来受益更多。通过利用这一发现,我们开发了实体对齐的自我监督学习目标。原创 2024-05-29 17:12:28 · 840 阅读 · 0 评论 -
DuGa-DIT论文翻译
双门控图注意力网络与跨语言实体对齐的动态迭代训练近年来,跨语言实体对齐引起了相当大的关注。过去使用传统方法来匹配实体的研究都有一个共同的问题,即在建模过程中遗漏了实体之外的重要结构信息。这使得图神经网络模型可以介入。大多数现有的图神经网络方法分别对个体知识图(KG)进行建模,并使用少量预先对齐的实体作为锚点来连接不同的知识图谱嵌入空间。,然而,这一特性可能会导致几个主要问题,包括由于可用种子对齐不足而导致的性能限制以及对节点之间上下文信息有用的预对齐链接的忽略。在本文中,我们提出了 DuGa-DIT,一种具原创 2024-05-28 15:38:41 · 1059 阅读 · 0 评论 -
CaT阅读笔记
持续图学习(CGL)的目的是通过以流方式输入图数据来持续更新图模型。由于模型在使用新数据进行训练时很容易忘记以前学到的知识,因此灾难性遗忘问题一直是 CGL 的主要关注点。最近的基于重放的方法旨在通过使用(1)整个新出现的数据和(2)基于采样的内存库来更新模型来解决这个问题,该内存库存储重放的图以近似历史数据的分布。更新模型后,从传入图形中采样的新重放图形将被添加到现有的内存库中。尽管这些方法对于 CGL 来说直观且有效,但本文还是指出了两个问题。原创 2024-05-20 14:50:18 · 1037 阅读 · 0 评论 -
ContEA阅读笔记
实体对齐是知识图谱(KG)集成中一项基本且重要的技术。多年来,实体对齐的研究一直基于知识图谱是静态的假设,忽略了现实世界知识图谱增长的本质。随着知识图谱的增长,之前的对齐结果需要重新审视,同时新的实体对齐等待被发现。在本文中,我们提出并深入研究了一个现实但尚未探索的环境,称为持续实体对齐。为了避免每当新实体和三元组出现时在整个 KG 上重新训练整个模型,我们为此任务提出了一种持续对齐方法。它根据实体邻接关系重建实体的表示,使其能够使用现有邻居快速、归纳地生成新实体的嵌入。原创 2024-05-06 19:14:41 · 1127 阅读 · 0 评论 -
Dual-AMN论文阅读
寻找多源知识图谱(KG)中的等效实体是知识图谱集成的关键步骤,也称为实体对齐(EA)。然而,大多数现有的 EA 方法效率低下且可扩展性差。最近的总结指出,其中一些甚至需要几天的时间来处理包含 200000 个节点(DWY100K)的数据集。我们认为过度复杂的图编码器和低效的负采样策略是两个主要原因。在本文中,我们提出了一种新颖的知识图谱编码器——双重注意力匹配网络(Dual-AMN),它不仅可以智能地对图内和跨图信息进行建模,而且还大大降低了计算复杂度。原创 2024-04-17 17:34:44 · 1408 阅读 · 0 评论 -
Dual-AMN论文翻译
寻找多源知识图谱(KG)中的等效实体是知识图谱集成的关键步骤,也称为实体对齐(EA)。然而,大多数现有的 EA 方法效率低下且可扩展性差。最近的总结指出,其中一些甚至需要几天的时间来处理包含 200000 个节点(DWY100K)的数据集。我们认为过度复杂的图编码器和低效的负采样策略是两个主要原因。在本文中,我们提出了一种新颖的知识图谱编码器——双重注意力匹配网络(Dual-AMN),它不仅可以智能地对图内和跨图信息进行建模,而且还大大降低了计算复杂度。原创 2024-04-14 13:55:07 · 872 阅读 · 0 评论 -
RREA论文阅读
实体对齐旨在识别来自不同知识图谱(KG)的等效实体对,这对于集成多源知识图谱至关重要。最近,随着 GNN 在实体对齐中的引入,近期模型的架构变得越来越复杂。我们甚至在这些方法中发现了两个反直觉的现象:(1)GNN 中的标准线性变换效果不佳。(2)许多为链接预测任务设计的先进知识图谱嵌入模型在实体对齐方面表现不佳。在本文中,我们将现有的实体对齐方法抽象为一个统一的框架,它不仅成功地解释了上述现象,而且导出了理想变换操作的两个关键标准。原创 2024-04-12 10:49:39 · 1072 阅读 · 1 评论 -
RREA论文翻译
关系反射实体对齐实体对齐旨在识别来自不同知识图谱(KG)的等效实体对,这对于集成多源知识图谱至关重要。最近,随着 GNN 在实体对齐中的引入,近期模型的架构变得越来越复杂。我们甚至在这些方法中发现了两个反直觉的现象:(1)GNN 中的标准线性变换效果不佳。(2)许多为链接预测任务设计的先进知识图谱嵌入模型在实体对齐方面表现不佳。在本文中,我们将现有的实体对齐方法抽象为一个统一的框架Shape-Builder&Alignment,它不仅成功地解释了上述现象,而且导出了理想变换操作的两个关键标准。此外,我们提出原创 2024-04-11 17:00:35 · 851 阅读 · 0 评论 -
PageRank论文翻译
网页的重要性本质上是一个主观问题,取决于读者的兴趣、知识和态度。但关于网页的相对重要性,仍然有很多可以客观地说的地方。本文介绍了PageRank,一种客观、机械地对网页进行评级的方法,有效地衡量人们对网页的兴趣和关注度。我们将 PageRank 与理想化的随机网络冲浪者进行比较。我们展示了如何有效地计算大量页面的 PageRank。并且,我们还将展示如何将 PageRank 应用到搜索和用户导航中。原创 2024-04-10 22:56:59 · 1321 阅读 · 0 评论 -
Node2Vec论文翻译
网络中节点和边缘的预测任务需要在学习算法使用的工程特征上付出仔细的努力。最近在更广泛的表示学习领域的研究通过学习特征本身在自动化预测方面取得了重大进展。然而,目前的特征学习方法的表现力不足以捕获网络中观察到的连接模式的多样性。在这里,我们提出了node2vec,一种用于学习网络中节点的连续特征表示的算法框架。在node2vec中,我们学习节点到低维特征空间的映射,最大化保留节点网络邻域的可能性。我们定义了节点网络邻居的灵活概念,并设计了一个有偏差的随机游走程序,可以有效地探索不同的邻居。原创 2024-04-09 20:51:37 · 1224 阅读 · 0 评论 -
DeepWalk论文翻译
我们提出了 DeepWalk,一种学习网络中顶点潜在表示的新方法。这些潜在表示在连续向量空间中对社会关系进行编码,很容易被统计模型利用。DeepWalk 概括了语言建模和无监督特征学习(或深度学习)从单词序列到图形的最新进展。DeepWalk 使用从截断随机游走获得的局部信息,通过将游走视为句子的等价物来学习潜在表示。我们在 BlogCatalog、Flickr 和 YouTube 等社交网络的多个多标签网络分类任务上展示了 DeepWalk 的潜在表示。原创 2024-04-04 20:57:49 · 1067 阅读 · 0 评论 -
ContEA论文翻译
实体对齐是知识图谱(KG)集成中一项基本且重要的技术。多年来,实体对齐的研究一直基于知识图谱是静态的假设,忽略了现实世界知识图谱增长的本质。随着知识图谱的增长,之前的对齐结果需要重新审视,同时新的实体对齐等待被发现。在本文中,我们提出并深入研究了一个现实但尚未探索的环境,称为持续实体对齐。为了避免每当新实体和三元组出现时在整个 KG 上重新训练整个模型,我们为此任务提出了一种持续对齐方法。它根据实体邻接关系重建实体的表示,使其能够使用现有邻居快速、归纳地生成新实体的嵌入。原创 2024-04-03 20:12:25 · 595 阅读 · 0 评论 -
CaT论文翻译
持续图学习(CGL)的目的是通过以流方式输入图数据来持续更新图模型。由于模型在使用新数据进行训练时很容易忘记以前学到的知识,因此灾难性遗忘问题一直是 CGL 的主要关注点。最近的基于重放的方法旨在通过使用(1)整个新出现的数据和(2)基于采样的内存库来更新模型来解决这个问题,该内存库存储重放的图以近似历史数据的分布。更新模型后,从传入图形中采样的新重放图形将被添加到现有的内存库中。尽管这些方法对于 CGL 来说直观且有效,但本文还是指出了两个问题。原创 2024-03-31 22:08:20 · 924 阅读 · 0 评论 -
RDGCN阅读笔记
实体对齐是从不同的知识图(KGs)中链接具有相同真实世界实体的任务,最近被基于嵌入的方法所主导。这种方法通过学习KG表示来工作,以便可以通过测量实体嵌入之间的相似性来执行实体对齐。虽然有希望,但该领域的现有工作往往不能很好地捕获多关系KGs中常见的复杂关系信息,留下了很大的改进空间。本文提出了一种新的关系感知双图卷积网络(RDGCN),通过知识图与其对偶关系副本之间的密切交互来融合关系信息,并进一步捕获邻域结构以学习更好的实体表示。原创 2024-03-30 11:37:43 · 1044 阅读 · 0 评论 -
Stream2Graph论文翻译
异构图定义为与节点类型映射。原创 2024-03-29 22:41:09 · 836 阅读 · 0 评论 -
MTransE阅读笔记
最近的许多工作已经证明了知识图谱嵌入在完成单语知识图谱方面的好处。由于相关的知识库是用几种不同的语言构建的,因此实现跨语言知识对齐将有助于人们构建连贯的知识库,并帮助机器处理不同人类语言之间实体关系的不同表达。不幸的是,通过人工实现这种高度期望的跨舌对齐是非常昂贵且容易出错的。因此,我们提出了MTransEMTransEMTransE,一个基于推理的多语言知识图谱嵌入模型,以提供一个简单和自动化的解决方案。通过在单独的嵌入空间中编码每种语言的实体和关系,MTransE。原创 2024-03-28 20:39:19 · 1010 阅读 · 0 评论 -
基于表示学习进行知识图谱实体对齐的基准和综合调查 阅读笔记
本文提供了使用表示学习新方法的代表性实体对齐技术的综合教程式综述。原创 2024-03-27 09:23:42 · 1073 阅读 · 0 评论 -
An Experimental Study of State-of-the-Art Entity Alignment Approaches论文阅读
实体对齐 (EA) 寻找位于不同知识图谱(KG)中的等价实体,这是提高KG质量的重要步骤,因此对下游应用程序(例如,问答和推荐)具有重要意义。原创 2024-03-26 14:00:00 · 1106 阅读 · 1 评论 -
RDGCN翻译
实体对齐经典方法之RDGCN原创 2024-03-24 20:08:19 · 1014 阅读 · 0 评论 -
MTransE翻译
知识图谱实体对齐经典方法MTransE论文翻译原创 2024-03-23 21:53:52 · 612 阅读 · 0 评论 -
GCN-Align论文翻译
GCN-Align论文翻译原创 2024-03-21 08:00:00 · 738 阅读 · 0 评论