convE:Convolutional 2D Knowledge Graph Embeddings

最新推荐文章于 2024-09-19 20:53:10 发布
最新推荐文章于 2024-09-19 20:53:10 发布
阅读量497 收藏 1
点赞数
分类专栏： 知识图谱 文章标签： 知识图谱 人工智能 深度学习
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/qqywm/article/details/104223619
版权
该博客探讨了知识图谱的嵌入学习方法，包括encodingcomponent和scoringcomponent的步骤。通过实体和关系的变形与拼接，结合卷积和全链接层，模型能对三元组进行打分，预测概率。数据集如WN18、WN18RR、FB15k和FB15k-237用于评估模型性能，重点关注长距离依赖和test leakage问题。
摘要由CSDN通过智能技术生成

思路：

1.encoding component 嵌入层

S，O -（embedding）->Es,Eo

2.scoring component 打分函数

模型结构图

1和2步实体和关系嵌入的变形和拼接

3.卷积后全链接

4.和实体矩阵相乘

5.sigmoid后给出概率

打分函数

数据集介绍

  • WN18是WordNet的子集，包括18种关系和40943个实体，且其三元组大部分是上下位关系，这个数据集有test leakage问题，因此又出现了WN18RR
  • FB15k是Freebase的子集，包括14951个实体和1345个关系，这个数据集有test leakage问题，因此有人将其中的反向关系移除之后生成了数据集FB15k-237
  • YAGO3-10是YAGO3的子集，包括123182个实体和37个关系，其特点是每个实体至少有10个关系
  • Countries是一个benchmark数据集，用来衡量模型在学习实体和关系之间长距离依赖方面的能力

ywm-pku
关注
专栏目录
（ConvE）Convolutional 2D Knowledge Graph Embeddings
sinat_41942180的博客
03-12 1153
本论文的贡献如下：（1）提出了一个简单的，有竞争力的二维卷积链路预测模型——ConvE（2）提出了1-N打分方法以加快训练速度3倍和评估速度300倍（3）模型具有更好的参数效率，比DistMult和R-GCN都要好很多（4）论文提出的模型与其他浅的模型的性能区别随着知识图谱复杂度的增加而成比例增加（5）验证了测试数据集泄露的严重性，同时提出了一个改进版的数据集（6）对ConvE和先前其他最好的模型做了评估，ConvE取得了SOTA效果。
论文浅尝 | Convolutional 2D knowledge graph embedding
开放知识图谱
03-03 1143
笔记整理 | 孙悦，天津大学1. 介绍：知识图的链接预测是预测实体之间缺失关系的任务。先前有关链接预测的工作集中在浅，快速的模型上，这些模型可以缩放到大型知识图例如基于基于平移变换的 Tr...
ConvE：Convolutional 2D Knowledge Graph Embeddings
REfusing的博客
03-25 5921
论文：Convolutional 2D Knowledge Graph Embeddings 1 介绍 1.1 提出原因 之前提出的模型如disMult，Trans系列模型，成为浅层模型，虽然比较简单，参数较少、训练模型速度较快，但是这些模型相比于深的模型，更少能够抓到复杂的信息。因此，提出模型ConvE模型，利用卷积的方式进行知识图谱补全，能够适用于更加复杂的图。 在浅层模型中增加特征数量的唯一方法，就是增加embedding的维度，但是随之而来存在一个问题，不能扩展到更大的知识图谱，因为嵌入参数的
知识图谱补全技术-ConvE篇
最新发布
weixin_47482014的博客
09-19 969
ConvE（Convolutional Knowledge Graph Embedding）是一种用于知识图谱补全的模型，它通过卷积神经网络（CNN）来学习知识图谱中的实体和关系的嵌入表示，从而预测缺失的三元组。其主要思想是将传统的知识图谱嵌入方法与卷积神经网络相结合，以提高模型的表达能力和推理能力。ConvE通过卷积神经网络和非线性操作，有效增强了知识图谱中实体和关系嵌入的交互特性，提升了知识图谱补全任务的表现。
论文阅读 Convolutional 2D Knowledge Graph Embeddings
qq_41669355的博客
11-23 1569
Convolutional 2D Knowledge Graph Embeddings 卷积二维知识图谱嵌入 摘要：知识图的链接预测是预测实体之间缺失关系的任务。以往关于链接预测的工作主要集中在浅层、快速的模型上，这些模型可以扩展到大型知识图。然而，与深层、多层模型相比，这些模型学习的功能表达性较差，这可能会限制性能。在这项工作中，我们引入了ConvE，一个用于链路预测的多层卷积网络模型，并报告了几个已建立的数据集的最新结果。我们还表明，该模型具有很高的参数效率，与DistMult和R-GCN相同的性能，但
《Convolutional 2D Knowledge Graph Embeddings》论文学习
m0_45293058的博客
06-08 1041
问题提出背景：知识图谱的链路预测是预测实体之间确实关系的任务，以前的链路任务只集中在比较浅层次的还有快速的模型，这些可以用来扩展到大型知识图谱,但是这些模型比深度多层模型表达的特征更少，会限制其性能。方法：在这里我们介绍了convE，一个用于链路预测的多层神经网络，并报告了几个已经建立好的数据集的最新的成果。效果：它具有比较高的参数效率，它的性能跟DisMult和R-GCN相同，但是他的参数比这两个少了8倍和17倍。对我们的模型分析发现，它在建模高度结点的时候特别有效，这在连接具有高度连接的复杂知识图谱中很
【阅读笔记】：End-to-end Structure-Aware Convolutional Networks for Knowledge Base Completion
weixin_30832983的博客
09-14 1191
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...
从ACL 2020和ICLR 2020看知识图谱嵌入的近期研究进展
Paper weekly
05-14 2793
©PaperWeekly 原创 ·作者｜舒意恒学校｜南京大学硕士生研究方向｜知识图谱本文介绍三篇发表于 ACL 2020 或 ICLR 2020 关于知识图谱嵌入的近期研究进展。1. ...
CompGCN: Composition-based multi-relational graph convolutional network
W 的一些小感想
04-04 4690
1 前言 本文发表于ICLR 2020, 作者单位是印度科技学院，作者之一 Partha Talukdar 是我很早就开始关注的以为知识图谱方向的作者，在GNN趋势的引导下，作者也开始将研究中心转为知识图谱与GNN的结合。他的个人主页为 http://www.talukdar.net/， 下面给出了该作者在2019年发表的一些成果。本博客主要用于学术交流，属于原创，如有引用请注明。另：文中内容如...
论文笔记：AAAI 2018 Convolutional 2D Knowledge Graph Embeddings
qq_44015059的博客
11-03 1122
1. 前言 论文链接：https://aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPDFInterstitial/17366/15884 github：https://github.com/TimDettmers/ConvE 知识图的链接预测是预测实体之间缺失关系的任务。先前有关链接预测的工作集中在浅，快速的模型上，这些模型可以缩放到大型知识图例如基于基于平移变换的 TransE 系列。但是，这些模型比深层次的多层模型学习的表达功能要少，这可能会限制性能。本文中
（论文阅读）ArXiv 2018 | Convolutional 2D Knowledge Graph Embeddings
qq_41146971的博客
03-02 227
因为看论文是写在了OneNote上，所以粘贴是图片，可能无法复制。
ConvE:Dettmers等人提出的ConvE的实现。 卷积二维知识图嵌入
05-17
转换 Dettmers等人提出的ConvE的实现。 。 您可以在找到带有知识图数据集的官方存储库。 实现使用 。 用法 前处理 usage: preprocess.py [-h] {train,valid} ... Preprocess knowledge graph csv train/valid (test) data. positional arguments: {train,valid} mode train Preprocess a training set valid Preprocess a valid or test set optional arguments: -h, --help show this help message and exit 训练集 python preprocess.py trai
数据集WN18.rar
11-08
知识图谱WN18数据集
Convolutional 2D Knowledge Graph Embeddings 阅读笔记
NYSDY的博客
09-23 2336
我的博客链接 0. 导读 0.1 文章是关于什么的？（what？） 用知识表示来做链接预测，其中使用了2D的卷积操作 0.2 要解决什么问题？（why？|challenge） 计算速度 对于复杂网络的适应性 0.3 用什么方法解决？（how？） 用了2D的卷积操作 0.4文章有什么创新？ 首次引入一个简单的2D卷积操作来进行链接预测任务； 展示了一个1-N分数过程来加速训练； 提出的模型可以用于复杂图 0.5 效果如何？ 0.6 还存在什么问题？ 1 背景知识 通过使用2D而不是1D卷积，可以通
convolutional 2D knowledge graph embedding 解读
damuge2的博客
02-27 5419
convolutional 2D knowledge graph embedding 解读来源backgroundmotivation模型实验结果代码链接 来源 AAAI 2018 伦敦大学 background 知识图谱在很多领域都有广泛的应用，例如搜索、问答、推荐系统等等，但是目前的知识图谱大多存在两个问题：1.知识图谱的不完整性，例如属性缺失或者关系缺失 2. 知识图谱存在错误的关系或者属性...
ConvE——二维卷积知识图谱横空出世
weixin_72914660的博客
01-27 1612
当CNN首次进入图神经网络的大门——ConvE原理讲解+代码分析
知识图谱经典方法 Knowledge Graph Embedding：从TransE，TransH到TransR
给我也整一个
11-05 6470
1.背景 KG Embedding可以建立实体到实体的关联。
ConvE，知识图谱嵌入（KGE）论文复现（Ubuntu 20.04）
Ax的博客
03-07 6025
ConvE(KGE模型)—论文复现（Ubuntu 20.04）(2022.03.07)
ConvE算法模型
weixin_45780075的博客
03-28 1573
ConvE是一种用于知识图谱表示学习的深度学习模型。它是一种基于卷积神经网络（Convolutional Neural Network，CNN）的模型，用于将实体和关系映射到低维空间中的向量表示。ConvE 模型的主要思想是将实体和关系表示为低维向量，并使用卷积操作来捕捉它们之间的语义关联。在模型中，实体和关系的向量表示首先被平铺成为二维矩阵，并经过卷积层进行特征提取。然后，通过全连接层将提取的特征映射到最终的向量表示空间中。
AMV转换软件AMVR CONVE升级发布
至于标签"amvr_conve"，这应该是软件的名称或者版本标识，不过根据描述，这个标签似乎有些误导，因为实际文件名称是AMVHelper，而不是AMVR CONVE。 文件名称列表中仅提供了"AMVHelper"，这是软件的名称。用户通过这...
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
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