![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
知识图谱
文章平均质量分 71
知识图谱
三石大数据
专注大数据面试分享!全网同名
展开
-
【知识图谱解耦系列】DisenE: Disentangling Knowledge Graph Embeddings
DisenE: Disentangling Knowledge Graph Embeddings论文来源:未知论文地址:https://arxiv.org/pdf/2010.14730v1.pdf代码地址:https://github.com/1599144219/DisenE1. argue的问题目前的知识图谱嵌入方法学习到的表示都是不可解释的2. motivation的来源实体携带了丰富的信息,这应该被划分为多个组件不同的关系对实体的表示有不同的影响3. contribu原创 2021-08-03 09:20:26 · 656 阅读 · 1 评论 -
Baseline 【CCKS 2021:表型-药物-分子多层次知识图谱的链接预测】
CCKS 2021:表型-药物-分子多层次知识图谱的链接预测1. 数据集介绍(不包括测试集)schema.json: 包含的是所有的实体类型(6种),以及所有的关系类型(7种){ "entity_type": ["disease","drug","symptom","gene/protein", "gene_ontology","pathway"], "relationships": [ ["disease","associated_with","symptom"原创 2021-05-16 19:07:33 · 730 阅读 · 2 评论 -
TuckER:Tensor Factorization for Knowledge Graph Completion
TuckER: Tensor Factorization for Knowledge Graph Completion论文来源:ICML2019论文链接:https://arxiv.org/abs/1901.09590代码链接:https://github.com/ibalazevic/TuckER总结:这篇文章利用了一个高级的公式,可能很多人看到这个公式就怕了,确实如此,我看到这个公式就晕了,不知道其中的具体含义,其实如果你实在搞不懂具体的意思,也可以忽略,大致理解作者的想法就行了,我是在看原创 2021-04-30 08:14:55 · 1544 阅读 · 1 评论 -
【图神经网络之神器】torch_geometric
GCN/GraphSAGE/GAT代码导包import torchimport torch.nn.functional as Ffrom torch_geometric.nn import GCNConv, SAGEConv, GATConvfrom torch_geometric.datasets import Planetoid导入数据集dataset = Planetoid(root='./tmp/Cora', name='Cora')print(dataset.num_no原创 2021-04-04 16:29:47 · 7151 阅读 · 1 评论 -
【爆火的图神经网络模型】GCN/GraphSAGE/GAT
Graph Network1. GCN节点特征的更新公式:H(l+1)=σ(D~−12A~D~−12H(l)W(l))H^{(l+1)}=\sigma\left(\tilde{D}^{-\frac{1}{2}} \tilde{A} \tilde{D}^{-\frac{1}{2}} H^{(l)} W^{(l)}\right)H(l+1)=σ(D~−21A~D~−21H(l)W(l))其中 D~\tilde{D}D~相当于加上了自环后的度矩阵,A~\tilde{A}A~相当于加上了自环后的原创 2021-04-04 10:24:41 · 1678 阅读 · 0 评论 -
DisenE: Disentangling Knowledge Graph Embeddings
解耦知识图谱嵌入创新点:本文利用注意力机制将实体的表示分解为了多个部分1 动机以往对知识图谱嵌入的研究,通常是基于黑盒模型的,这导致很难对学习到的表示进行解释于是本文引入注意力机制,根据实体之间的关系,使模型显式集中在实体嵌入的几个component(我将其称为组成部分),简单来说,学习的实体表示可以解耦为多个向量2 举例实体 “David Beckham” 可能包括几个组成部分,例如,“Characteristic”、“Work”、“Family”、"Places"等对于关系原创 2021-01-30 16:55:58 · 388 阅读 · 0 评论 -
Generalized Multi-Relational Graph Convolution Network
Generalized Multi-Relational Graph Convolution Network 普适的多关系的图卷积网络(GEM-GCN)普适体现在什么地方?在读完这篇论文,我的理解是,由于论文中提出的新的GCN框架可以适用于多种知识图谱表示的模型1. 动机以往的知识图谱的表示学习,例如TransE,DistMult,ComplEx,RotatE等,在学习实体和关系的表示的时候存在一个问题:三元组被单独的拿来训练,换句话说,这些方法没有利用知识图谱丰富的结构信息来训练模型。原创 2021-01-20 15:31:29 · 487 阅读 · 4 评论 -
知识图谱之NELL数据集简介
1 NELL数据集简介来源:NELL1.1 目录结构train_tasks.jsondev_tasks.jsontest_tasks.jsonent2idsrelation2idspath_graphe1rel_e2.jsonrel2candidates.json1.2 对应文件的解释训练集:每个关系所在的三元组的数量在50到500之间 51个关系验证集:每个关系所在的三元组的数量在50到500之间 5个关系测试集:每个关系所在的三元组的数量在50到500之原创 2020-12-21 08:41:47 · 6534 阅读 · 4 评论 -
Learning Attention-based Embeddings for Relation Prediction in Knowledge Graphs
基于注意力的嵌入学习用于知识图谱的关系预测论文题目:Learning Attention-based Embeddings for Relation Prediction in Knowledge Graphs论文地址:https://www.aclweb.org/anthology/P19-1466/出版:ACL 2019代码地址:https://github.com/deepakn97/relationPrediction论文精髓以前做过的类似研究的方法:张量分解(RESCAL)原创 2020-09-21 14:51:37 · 976 阅读 · 4 评论