- 博客(8)
- 收藏
- 关注
RSS订阅原创 RGCN使用，参数含义及使用
如果设置为True，则假设edge_index按照edge_type排序。这避免了数据的内部重新排序，可以提高运行时间和内存效率。(默认值:False)其中num_blocks表示要使用的块数量。在没有给定输入特征的情况下，这个参数应该对应于图中的。如果设置，该层将使用block-diagonal-decomposition正则化方案，这一层将使用基分解正则化方案，其中num_bases表示要使用的bases的数量。如果设置为False，层将不会学习加性偏差。：如果设置为False，则该层不会将。
2024-03-26 15:15:23
561
1
原创 关于数据库操作
例如，如果 SQLite 数据库中有一个名为 "users" 的数据表，包含 "id" 和 "name" 两个字段，那么在 MySQL 数据库中也需要创建一个名为 "users" 的数据表，包含相同的 "id" 和 "name" 两个字段。在 MySQL 数据库中创建要导入数据的数据表，确保表结构与 SQLite 数据库中的表结构一致。在 Navicat 中打开 SQL 编辑器，编写导入数据的 SQL 语句。是 SQLite 数据库中的数据表名称。是 MySQL 数据库中的数据表名称，
2023-05-31 12:48:34
154
原创 TimeTraveler: Reinforcement Learning for Temporal Knowledge Graph Forecasting
大多数现存的方法都侧重于过去时间的推理（TKGC），以完成缺失的事实，只有少数已知的TKG推理工作可以预测未来的事实。Temporal Knowledge Graph Forecasting（TKGF），面临着两大挑战：（1）如何有效地对时间信息进行建模以处理未来的时间戳？（2）如何进行归纳推理来处理随着时间的推移而出现的以前看不见的实体？（对未知实体的处理）基于此，本文提出强化学习的方法来处理这两种挑战。具体而言：智能体在历史知识图谱快照上旅行以搜索答案。
2023-04-07 21:01:58
1303
5
原创 时序知识图谱推理：Know-Evolve: Deep Temporal Reasoning for Dynamic Knowledge Graphs
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。
2022-11-24 16:45:30
4575
1
原创 知识图谱补全论文阅读笔记：TuckER: Tensor Factorization for Knowledge Graph Completion
TuckER（E代表实体，R代表关系），基于tucker分解简单线性模型并作为坚实的基础。tucker分解，广泛用于机器学习，其分解是将张量分解成核心张量并成各个模式的矩阵。在矩阵正交且核心张量为“全正交”的特殊情况下，它可以被认为是高阶SVD的一种形式。
2022-11-14 15:33:29
2275
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人