GNN in KG(二) End-to-End Structure-Aware Convolutional Networks for Knowledge Base Completion AAAI19

最新推荐文章于 2021-12-19 11:42:11 发布
最新推荐文章于 2021-12-19 11:42:11 发布
阅读量464 收藏
点赞数
分类专栏： GNN in KG 文章标签： 图神经网络 知识图谱
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/qq_36618444/article/details/113880780
版权

本文的作者来自康涅狄格大学以及JD AI Research。
本文提出了一个端到端的模型SACN。它由一个加权图卷积网络(WGCN)的编码器和一个Conv-TransE的译码器组成，WGCN利用了KG节点结构、节点属性和边缘关系类型。该解码器使用了特殊的卷积简化了ConvE（后文会提到），并保留了TransE的平移性质以及ConvE的性能。
在related work中提到了一些经典的工作，比如Tans家族、DisTMult、ComplEX、STransE等。这里就不重点介绍了。

Method

先看一下整体的模型：首先是在原始图上执行WGCN，这和上一篇看过的文章一样，都是以不同类型的边为区分，做不同的卷积。之后，获取到实体节点的embedding。然后把实体和关系组成一个二维的张量，在其上执行Conv-TransE，最终通过评分函数衡量模型的好坏。这种连接预测相关的任务都是encoder-decoder的操作。
在这里插入图片描述

Weighted Graph Convolutional Layer

在这里插入图片描述

WGCN将多关系知识库图视为多个单关系子图，其中每个子图都包含特定类型的关系。当结合节点的GCN嵌入时，WGCN决定给每个子图赋予多少权重。其输入的长度是

了解本专栏 订阅专栏 解锁全文 超级会员免费看
五月的echo
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
【阅读笔记】：End-to-end Structure-Aware Convolutional Networks for Knowledge Base Completion
weixin_30832983的博客
09-14 1141
为解决知识图谱（KG）中三元组不完整问题，本文结合加权图卷积神经网络（WGCN）和Conv-TransE两个模块，提出了SACN（Structure-Aware Convolutional Networks）模型。SACN通过WGCN来建模KG中的实体和关系，提取实体特征，然后输入至ConvE中使实体满足KG三元组约束，得到实体的embedding表示。通过实验证明，在FB1...
End-to-End Structure-Aware Convolutional Networks for Knowledge Base Completion--阅读笔记
NYSDY的博客
09-03 1294
我的博客链接 0. 总览 0.1 要解决什么问题？（what？） 知识图谱补全中： 以前的方法只建模关系三元组，忽略了大量图节点相关属性； 以前的方法并没有增强在嵌入空间中大规模连接结构，完全忽略了图结构。 0.2 用什么方法解决？（how？） 用GCN和ConvErt相结合的方法组成一个端到端的学习方法。 encoder部分利用一个带权重的GCN的方法（利用图的结构并保留节点的属性）。 decoder部分利用Conv-TransE，利用啊convE的方法，但是去掉了实体和关系的矩阵重组部分。（为了保
关于GCN的论文笔记--End-to-end Structure-Aware Convolutional Networks for Knowledge Base Completion
xiao_muyu的博客
12-19 840
用于知识图谱完成的端到端结构感知卷积网络 论文题目 End-to-end Structure-Aware Convolutional Networks for Knowledge Base Completion 论文出自 arXiv,2018 图结构感知卷积网络SACN： 由加权图卷积网络 (WGCN) 的编码器和 Conv-TransE 的卷积网络的解码器组成。 权重卷积层WGCN ? 利用知识图节点结构、节点属性和边关系类型。 在聚合时对不同类型的关系进行不同的权重，并且在网络训练
End-to-end Structure-Aware Convolutional Networks for Knowledge Base Completion
羊城迷鹿的博客
09-15 1234
研究问题 将图网络作为编码器，将Conv-TransE作为解码器，应用于知识图谱补全任务 背景动机 ConvE模型在做卷积之前对embedding实施了reshape操作，并且没有保留TransE系列模型的可翻译属性 ConvE模型没有把知识图谱的连通性纳入考虑 模型思想 提出了一种端到端的图结构敏感的卷积网络，编码器为WGCN，将节点结构、节点属性、关系类型作为输入；解码器为Conv-TransE，在ConvE的基础上可以保留实体到关系嵌入之间的翻译属性。 模型框架 总体流程 编码器计算出嵌入矩阵
KG-GNN
qq_42807120的博客
03-24 787
简介 知识图谱（Knowledge Graph，KG）自从2012年被google提出，由于其出色的表达能力，以及在节点分类、连接预测等任务上的出色表现，已经逐渐成为AI相关应用的重要一支。与此同时图神经网络（Graph Neural Network，GNN），作为近些年深度学习方面发展最为迅速的领域，在信息通讯处理上展现出其得天独厚的优势。知识图谱作为一种特殊的结构化数据，其本质也是图相关结构，因此，如何将KG与GNN相结合，成为了近几年知识图谱领域里一大热点。 1.知识图谱 KG的基础结构是传统三元组，
L2P-GNN:AAAI-2021论文“学习预训练图神经网络”的代码和数据集
05-08
该存储库是AAAI-2021论文《的正式实施 要求 要安装要求： pip install -r requirements.txt 数据集 可以从以下链接下载所有必需的数据文件。 对于生物学数据集，请从和下载（提取代码：j97n），将其解压缩，然后将...
GNN-RL-Model-Compression:GNN-RL压缩
04-12
GNN-RL-模型压缩GNN-RL压缩：使用多阶段图嵌入和强化学习的拓扑感知网络修剪依存关系当前代码库是在以下环境下测试的： Python 3.8 PyTorch 1.8.0（CUDA 11.1） 火炬视觉0.7.0 1.6.1GNN-RL频道修剪在这项工作中，...
图神经网络 - Python实现LSTM-GNN时间序列预测
11-20
图神经网络 | Python实现LSTM-GNN时间序列预测 LSTM-GNN用于病人的结果预测：一个混合模型，结合了用于提取时间特征的长短期记忆网络（LSTM）和用于提取病人邻域信息的图谱神经网络（GNN）。 关于预测重症监护室...
gnn-re-ranking:一种基于GNN的实时方法。 了解图像检索重新排列
05-07
了解图像检索的重新排名：图神经网络的角度 在Market-1501数据集上，我们使用一个K40m GPU将重新排名处理从89.2s加速到9.4ms ，从而促进了实时后处理。 同样，我们观察到，在有限的时间成本下，我们的方法在其他四个...
Fi_GNN:[CIKM 2019]“ Fi-GNN的代码和数据集
05-04
CIKM2019中我们论文的代码和数据：Fi-GNN：通过图形神经网络为CTR预测建模特征交互， 。 首先将输入的稀疏多场特征向量映射到稀疏的一热嵌入向量，然后通过嵌入层和多头自注意层将其嵌入到密集场嵌入向量中。 然后...
SACN:用于知识库完成的端到端结构感知卷积网络
05-23
萨恩 论文：“” 发表在第三十三届AAAI人工智能会议（ ）中。 -PyTorch版本- 概述 端到端的结构感知卷积网络（SACN）模型充分利用了GCN和ConvE的优势来完成知识库。 SACN由加权图卷积网络（WGCN）的编码器和称为Conv-TransE的卷积网络的解码器组成。 WGCN利用知识图节点结构，节点属性和边关系类型。 解码器Conv-TransE使最新的ConvE能够在实体和关系之间转换，同时保持与ConvE相同的链路预测性能。 安装 此仓库支持通过Anaconda安装Linux和Python。 使用或安装 。 安装需求： pip install -r requirements.txt 下载使用的默认英语模型，该模型已在上一步python -m spacy download en 。 数据预处理 运行FB15k-237，WN18RR，FB15k-237-attr
GNN in KG(一) Modeling Relational Data with Graph Convolutional Networks，ESWC2018
qq_36618444的博客
02-19 570
本文作者来自University of Amsterdam，Kipf作为共同一作。其实ESCW只是CCF C类会议，不过外国人当然不看CCF啦。这是本系列的第一篇，做了一阵子GNN的理论研究，当然也需要落地；本来实验室就是做知识图谱相关工作的，因此以后要结合起来去做。 本文主要针对知识图谱补全的两个基础任务：link prediction和entity classification。前者补全三元组，后者补全实体的属性。本文主要贡献如下： 第一个证明GCN框架可以应用于关系数据建模，特别是链接预测和实体分类任
图神经网络如何对知识图谱建模？ | 赠书
AI科技大本营
03-23 1016
几乎所有早期的知识图谱嵌入的经典方法都是在对每个三元组打分，在实体和关系的表示中并没有完全考虑到整幅图的结构。早期，图神经网络的方法在知识图谱嵌入中并没有被重视，主要由于：早期的图神经网络...
TransE算法（Translating Embedding）
热门推荐
u011274209的专栏
03-27 6万+
介绍TransE算法（Translating Embedding）
学习笔记（2）——TransE算法（Translating Embedding）
strivequeen的博客
08-26 2652
前言 目前网络上存在大量知识库（KBs）：如OpenCyc、WordNet、Freebase、Dbpedia等等，它们因不同目的建成，因此很难用到其他系统上。为发挥知识库的图（graph）性，也为得到统计学习（包括机器学习和深度学习）的优势，需要将知识库嵌入（embedding）到一个低维空间里（比如10、20、50维）。获得向量后，就可以运用各种数学工具进行分析。 表示学习 ：学习一系列低维稠密向量来表征语义信息，知识表示学习是面向知识库中实体和关系的表示学习。大规模知识库（知识图谱）的构建为许多NLP任
【论文阅读笔记】PointCNN: Convolution On X-Transformed Points
梁瑛平的博客
02-23 1590
PointCNN: Convolution On X-Transformed Points（一）论文地址：（二）核心思想：（三）3D 卷积的不足：（四）X-transformation：（五）PointCNN 的网络结构：5.1 Hierarchical Convolution：5.2 X-Conv 操作：5.3 网络结构：（六）实验结果： （一）论文地址： https://arxiv.org/a...
深度学习：全卷积网络（FCN）
人邮异步社区
08-04 2770
全卷积网络（fully convolutional network，FCN）采用卷积神经网络实现了从图像像素到像素类别的变换[36]。与之前介绍的卷积神经网络有所不同，全卷积网络通过转置卷积（transposed convolution）层将中间层特征图的高和宽变换回输入图像的尺寸，从而令预测结果与输入图像在空间维（高和宽）上一一对应：给定空间维上的位置，通道维的输出即该位置对应像素的类别预测。 我们先导入实验所需的包或模块，然后解释什么是转置卷积层。 In [1]: %matplotlib inli
关于fcn技术点知识总结（conv和transconv的关系详解）
weixin_41630455的博客
04-25 1489
https://github.com/vdumoulin/conv_arithmetic 老师关于fcn的翻卷积后对浅层crop的计算细节地址https://zhuanlan.zhihu.com/p/367501459 这个链接下有关于各种conv的各种计算细节。以及各种情况下conv与对应deconv的对应关系。根据convolution这个文章的解读。以下是关于我阅读这篇文章中的一些中文细节注释（标红的是个人理解）。 文中开头提到一个conv层的输出形状受到他的输入形状、kernel形状的选择、零
H:\Joe\GNN\ASTGCN-r-pytorch-master>pip install scikit-learn failed to create process.
最新发布
07-23
如果在执行 `pip install` 命令时出现 "failed to create process" 错误，可能是由于系统环境变量配置问题导致的。你可以尝试以下解决方法： 1. 确保你的Python环境已正确安装并配置好。 2. 确认你的系统环境变量...
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

打赏作者

五月的echo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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