- 博客(6)
- 收藏
- 关注
RSS订阅原创 ICML 2023|《INGRAM: Inductive Knowledge Graph Embedding via Relation Graphs》论文细读+理解笔记
归纳知识图谱补全被认为是预测在训练过程中未观察到的新实体之间缺失的三联体的任务。虽然大多数归纳知识图谱补全方法假设所有实体都可以是新的，但它们不允许在推理时出现新的关系。这个限制禁止现有的方法适当地处理现实世界的知识图谱，其中新的实体伴随着新的关系。在本文中，我们提出了一种归纳知识图谱嵌入方法INGRAM，它可以在推理时生成新关系和新实体的嵌入。给定一个知识图谱，我们将关系图定义为由关系和它们之间的亲和权值组成的加权图。
2024-06-19 11:31:48
720
原创 CUDA11.4下的DGL下载
选择cu113为cuda11.3，cp38为python3.8，Linux64位版本，下载到本地，之后上传到服务器项目文件同目录下。官网上没有cuda11.4对应指令，实际尝试下来，cuda11.4和cuda11.3相近，同时都可兼容pytorch1.12，最终配置的环境为python3.8、pytorch==1.12、dgl==1.0.0，也能跑代码。找的文献所需环境其中pytorch==1.11、dgl==0.9.0。首先，尝试直接pip dgl==0.9.0以及从官网（打开安装指令对应的网址。
2024-04-23 17:18:56
354
原创 Python3小白基础入门 | 学习笔记
但由于Tom有了其他的选择，没有确认这个offer，HR选择了正好能够确认这个offer的Andy，所以请把列表offer_list中 'Tom' 的名字换成 'Andy' ，八/十/十六进制转二进制：bin(int(n,8))、bin(int(n,10))、bin(int(n,16))二/十/十六进制转八进制：oct(int(n,2))、oct(int(n,10))、oct(int(n,16))二/八/十进制转十六进制：hex(int(n,2))、hex(int(n,8))、hex(int(n,10))
2024-04-23 16:39:32
1185
原创 ACL 2023|《Double-Branch Multi-Attention based Graph Neural Network for Knowledge Graph Completion》细读
图神经网络(GNN)有效地利用知识图谱(KG)中的拓扑结构在低维空间中嵌入实体和关系，在知识图谱补全(KGC)中显示出强大的功能。KG具有丰富的全局和局部结构信息，然而，许多基于GNN的KGC模型不能通过设计复杂的聚合方案来捕获这两类关于图结构的信息，并且不能很好地学习孤立子图中具有稀疏邻域的可见实体的表示。在本文中，我们发现一个简单的基于注意力的方法可以优于一般的基于GNN的KGC方法。然后，我们提出了一种基于双分支多注意的图神经网络(MA-GNN)来学习包含丰富的全局局部结构信息的更具表现力的实体表示。
2024-03-19 10:50:40
1447
原创 SIGIR 2023|《Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph Completion》论文细读+理解笔记
知识图谱作为一种结构化的知识表示形式，在现实世界中得到了广泛的应用。近年来，以“少样本知识图谱补全”(FKGC)为研究对象的知识图谱补全技术越来越受到实验人员和研究者的关注。然而，现有的FKGC方法是基于度量学习或元学习的，这些方法经常存在分布外泛化和过拟合问题。同时，它们无法估计预测中的不确定性，这一点至关重要，因为模型预测在少样本情况下可能非常不可靠。此外，大多数算法不能处理复杂的关系，忽略了KGs中的路径信息，这在很大程度上限制了它们的性能。本文提出了一种基于标准化流的知识图谱补全神经过程。
2024-03-14 21:55:52
1531
6
原创 少样本知识图谱补全技术研究概述（新模型会持续更新，可以偶尔来看，等我读文献的）
少样本知识图谱补全（FKGC）是目前知识图谱补全任务的一个研究热点，旨在拥有少量样本数据的情况下，完成知识图谱补全任务。该任务在实际应用和知识图谱领域都有着重要的研究意义,为了进一步促进FKGC领域的发展，对目前各类方法进行了全面总结和分析。
2024-03-12 21:03:59
2431
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