A.特定领域知识图谱知识推理方案：知识图谱推理算法综述[四]（基于图传播的模型：node2vec、GCN、Graphsage、GeniePath等）算法汇总和应用场景归纳

已于 2023-04-18 20:44:30 修改
阅读量337 收藏 1
点赞数 1
分类专栏： NLP知识图谱相关技术业务落地方案和码源 文章标签： 知识图谱 知识推理 图传播算法 图神经网络 GCN
于 2023-03-10 22:41:21 首次发布
涉及博主原创类文章，未经博主许可不允许转载
本文链接：https://blog.csdn.net/sinat_39620217/article/details/129441270
版权

在这里插入图片描述

知识图谱专栏简介：数据增强，智能标注，文本信息抽取（实体关系事件抽取）、知识融合算法方案、知识推理、模型优化、模型压缩技术等

在这里插入图片描述

专栏详细介绍：知识图谱专栏简介：数据增强，智能标注，文本信息抽取（实体关系事件抽取）、知识融合算法方案、知识推理、模型优化、模型压缩技术等

  • NLP知识图谱相关技术业务落地方案和码源，本专栏会持续更新包含知识图谱（知识融合、知识推理等）、NLP业务落地方案以及码源。
  • 同时我也会整理总结出有价值的资料省去你大把时间，快速获取有价值信息进行科研or业务落地。

推荐参考文章：
A.特定领域知识图谱知识推理方案：知识图谱推理算法综述[一]（基于距离的翻译模型:TransE、TransH、TransR、TransH、TransA、RotatE）

了解本专栏 订阅专栏 解锁全文
汀、人工智能
关注
  • 1
    点赞
  • 踩
  • 1
    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
融合多维特征的医学知识图谱分步实体对齐方法+人工智能+知识图谱+预训练模型
01-18
提出一种融合多维特征的医学知识图谱分步实体对齐方法，从电子病历和网络资源中抽取垂体瘤相关疾病、 症状数据，进行实证研究。方法：首先进行尾实体对齐，通过训练 Word2Vec 和 BERT 模型获得实体的语义特征，使用 三元组训练翻译模型得到实体结构特征，利用 Jaccard 相似度计算字符特征，利用分类模型进行特征学习和预测；然后进 行头实体对齐，利用实体的属性相似性和结构相似性构建头实体对齐模型。结果：尾实体对齐模型的 F1 值为 99.58％， 头实体对齐模型的 F1 值为 97.32％，说明所选择的特征可以很好地表示实体，模型具有良好的对齐效果。结论：目前关 于医学知识图谱的实体对齐模型研究仍处于起步阶段，融合多维特征的医学知识图谱分步实体对齐方法是对现有医学知 识图谱构建方法的重要补充。
【知识图谱系列】自适应深度和广度图神经网络模型
【AI机器学习与知识图谱】的博客
05-21 985
作者：CHEONG 公众号：AI机器学习与知识图谱 研究方向：自然语言处理与知识图谱 本文介绍一篇自适应深度和广度图神经网络表征学习模型Geniepath，介绍Geniepath模型核心出发点和模型思路，完整汇报ppt获取请关注公众号回复关键字：Geniepath 一、Motivation Point1： 在自然语言处理邻域中，一句话中词的上下文是很显然的，便可利用上下文对中心节点进行预测和表征。但在图数据中，节点node没有明确的上下文概念，因此在进行图表征学习时定义合适的上下文概念便至关重..
GCN阅读 GeniePath: Graph Neural Networks with Adaptive Receptive Paths
weixin_43537073的博客
01-14 911
本文是关于一种自适应感知路径的GNN GeniePath论文的笔记 文章目录前言一、什么是感受野二、使用步骤1.引入库2.读入数据总结 前言 该神经网络适用于可扩展的，能够学习自适应感受路径的图神经网络框架，他定义在具有排列不变性的图数据上。 排列不变性：指的是输入的顺序改变不会影响输出的值。（在图上体现的排列不变形可能就是节点的输入顺序。） 一、什么是感受野 在卷积神经网络中，感受野的定义是卷积神经网络每一层输出的**特征图（feature map）**上的像素点在原始图像上映射的区域大小。 二
GeniePath：Graph Neural Networks with Adaptive Receptive Paths
zhao254014的博客
10-04 348
研究了图卷积网络寻找有意义的感受路径的问题，由自适应广度函数和自适应深度函数构成的自适应路径层
【GCN】论文笔记：GeniePath: Graph Neural Networks with Adaptive Receptive Paths
m0_50611867的博客
01-12 618
一种自适应感知路径的GNN：GeniePath前言一、需要提前知道一些1.感受野（receptive field）2.排列不变性(permutation invariant)3.自适应路径层二、为什么要感知路径三、GeniePath1.GeniePath算法核心2.自适应路径层3. 变体：GeniePath-Lazy总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本
GeniePath：Graph Neural Networks with Adaptive Receptive Paths 论文详解 AAAI2019
知行合一，止于至善
09-23 3174
文章目录1 相关介绍1.1 感受野的定义贡献2 图卷积网络GCNGCN、GraphSAGE、GATDiscussions3 GeniePath3.1 Permutation Invariant 排列不变性Theorem 1 (Permutation Invariant 排列不变性)Remark 2 (Associative Property 结合律)3.2 Adaptive Path Layer ...
GeniePath: Graph Neural Networks with Adaptive Receptive Paths
algzjh的博客
07-19 644
论文传送门 作者 Ziqi Liu Chaochao Chen Longfei Li Jun Zhou Xiaolong Li Le Song Yuan Qi
基于知识图谱的教务问答系统python源码+文档说明（高分项目）.zip
最新发布
03-25
基于知识图谱的教务问答系统python源码+文档说明（高分项目）.zip本系统开发过程中主要基于知识图谱的规则匹配，将教务系统中的特定事务作为图谱实体节点，将节点所包含的重要内容作为实体节点属性，通过识别实体、...
基于知识图谱的教务问答系统python源码+项目说明+详细注释.zip
07-24
本系统开发过程中主要基于知识图谱的规则匹配，将教务系统中的特定事务作为图谱实体节点，将节点所包含的重要内容作为实体节点属性，通过识别实体、查询实体节点对应属性的方式进行问题匹配与回复。 环境依赖 neo4j...
前端采用vue，后端采用springboot，基于知识图谱构建的中文病症问答系统，可用于个人学习研究，毕业设计，课程设计
06-15
前端采用vue，后端采用springboot，基于知识图谱构建的中文病症问答系统，可用于个人学习研究，毕业设计，课程设计 基于知识图谱的中文症状问答系统，前端vue.js，后端springboot 开发语言是java，运行环境是...
刑事法律知识图谱构建技术研究+人工智能+知识图谱+预训练模型
01-18
为了将多种司法数据整合起来以扩充法律知识 图谱的用途，首先通过分析四种司法数据的特征来构建规则模板以抽取出结构化 知识，然后利用基于Word2vec余弦相似度计算的方法对表达方式多样的实体进行对齐以消除知识冗余...
知识图谱-KGE-语义匹配-双线性模型-2019：RotatE
u013250861的博客
12-07 572
【paper】 RotatE: Knowledge Graph Embedding by Relational Rotation in Complex Space 【简介】 本文是北大和加拿大的研究团队发表在 ICLR 2019 上的文章，提出了 RotatE（Rotation Embedding），主要思想是将实体表示为复向量，关系视为从头实体指向尾实体的旋转（Rotation）。这个模型大概是看明白了的，感觉还是比较巧妙的。RotatE 的提出主要是为了建模三种关系:对称/非对称、反向关系、关系组合这里
跳出公式，看清全局，图神经网络（GCN）原理详解
上善若水
12-01 403
本文转载自公众号：SimpleAI。作者 | 郭必扬 编辑 | CamelGCN问世已经有几年了（2016年就诞生了），但是这两年尤为火爆。本人愚钝，一直没能搞懂这个GCN为何物，最开始是看清华写的一篇三四十页的综述，读了几页就没读了；后来直接拜读GCN的开山之作，也是读到中间的数学部分就跪了；再后来在知乎上看大神们的讲解，直接被排山倒海般的公式——什么傅里叶变换、什么拉普拉斯算子等等，给搞蒙了，越读越觉得：“哇这些大佬好厉害，哎我怎么这么菜！”。 就这么反反复复，尝试一次放弃一次，终于慢慢有点理解了，慢慢
A.特定领域知识图谱知识推理方案：知识图谱推理算法综述[五]-GeniePath会自动过滤多度“邻居“的图神经网络算法。
丨汀、的博客
03-13 236
构图对于GNN格外重要。那么怎样构图才有信息、有意义呢？如果节点的邻居只有自己，即邻接矩阵为对角阵时，GNN会退化成一个DNN模型。图中每个节点都是孤立的，相当图信息并不能相比其他方法带来增益。如果图特别稠密，比如是一个clique，即每个节点都和所有其他节点有边连接。同样的，这样的图信息同样是信息熵为0。经验上讲，节点度分布有区分度的图是相对有价值的。查看图的节点度分布。比如二类分类，分析正负例的图拓扑当然，构图和实际场景强相关。
图神经网络总结（GCN/GAT/GraphSAGE/DeepWalk/TransE）
热门推荐
CycloneKid的博客
09-24 1万+
文章目录图神经网络1 游走类模型1.1 DeepWalk随机游走DeepWalk计算节点向量的方式：1.2 Node2VECnode2vec改进后的随机游走方式：1.3 LINE2 消息传递类模型2.1 GCN2.2 GAT2.3 GraphSageGraphSAGE 的采样方法：GraphSAGE 的聚合函数：Mean aggregatorLSTM aggregatorPooling aggregator2.4 HAT元路径（meta-path）meta-path的数学定义：基于meta-path的邻居N
【GCN-RS】基础知识：DeepWalk、Node2Vector、GCN
chadlee
11-18 967
Graph Learning Method 先从Graph基础知识讲起 DeepWalk 算法可以分为四步： 图a展示了原始的用户行为序列 图b基于这些用户行为序列构建了物品相关图，可以看出，物品A，B之间的边产生的原因就是因为用户U1先后购买了物品A和物品B，所以产生了一条由A到B的有向边。如果后续产生了多条相同的有向边，则有向边的权重被加强。在将所有用户行为序列都转换成物品相关图中的边之后，全局的物品相关图就建立起来了。 图c采用随机游走的方式随机选择起始点，重新产生物品序列。 图d最终将这些物品序
图网络如何助力城市大脑：跨时空大尺度网约车流量预测
zzx3163967592的博客
09-23 2565
论文题目： Spatiotemporal Multi-Graph Convolution Network for Ride-hailing Demand Forecasting 论文地址： http://www-scf.usc.edu/~yaguang/papers/aaai19_multi_graph_convolution.pdf ST-MGCN 是滴滴出行 AI Lab 发表于 AA...
GNN（图神经网络）在反欺诈领域的落地
guoyuhaoaaa的博客
03-17 4798
今天的博客主要参考了《Heterogeneous Graph Neural Networks for Malicious Account Detection》和《GeniePath: Graph Neural Networks with Adaptive Receptive Paths》，都来自阿里的蚂蚁金服团队，都使用了当下最流行的Graph Neural Network的相关知识。 其实有关G...
node2vec python_论文笔记 | node2vec
weixin_39707941的博客
12-03 337
论文笔记 | node2vec: Scalable Feature Learning for networks论文【node2vec: Scalable Feature Learning for networks】为可度量的网络特征学习，是由斯坦福大学的Aditya Grover和Jure Leskovec在2016年提出的，它实际上是对DeepWalk的改进，是基于DeepWalk的升华。所以在...
知识图谱知识推理方法分类
07-20
知识图谱中的知识推理方法可以分为以下几个主要分类： 1. 基于规则的推理：这种推理方法基于事先定义的规则，通过匹配已有的知识图谱中的事实和规则，推断出新的信息。这些规则可以是逻辑规则、条件语句或模式匹配规则。例如，如果规则定义了"A是B的子类，B是C的子类，则可以推断A是C的子类"。 2. 基于逻辑的推理：这种推理方法利用形式化逻辑进行推理，包括一阶逻辑和描述逻辑。通过对知识图谱中的关系和实体进行逻辑推理，从而得出新的结论。常用的逻辑推理方法包括前向推理、后向推理和双向推理。 3. 基于语义相似度的推理：这种推理方法通过计算实体之间的语义相似度，判断它们是否具有相似的特征或关系。可以使用词向量模型（如Word2Vec、BERT）或知识图谱中的语义关系（如路径相似度、语义关联度）来计算实体之间的相似度，并基于相似度进行推理。 4. 基于统计学习的推理：这种推理方法利用统计模型和机器学习算法对知识图谱进行建模和预测。通过分析已有数据，学习实体之间的关系，并利用这些关系进行推理。常用的统计学习方法包括概率图模型、决策树、支持向量机等。 5. 基于图算法的推理：这种推理方法利用图算法（如图遍历、图匹配、图剪枝等）对知识图谱进行分析和推理。通过遍历图中的节点和边，发现节点之间的关联关系和规律，并利用这些关系进行推理。 以上是知识图谱中常见的知识推理方法分类。不同的推理方法可以根据具体的应用场景和需求进行选择和组合使用。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

汀、人工智能

谢谢支持

¥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