B.特定领域知识图谱知识推理方案[二]：基于自监督图谱表征算法升级[特征交叉、邻居采样修正、生成学习、对比学习等]

已于 2023-04-18 20:45:44 修改
阅读量252 收藏
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 自然语言处理 知识推理 人工智能 图神经网络
于 2023-03-13 16:20:04 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/129495380
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
  • 0
    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
1.特定领域知识图谱知识融合方案（实体对齐)：基于图神经网络的商品异构实体表征探索
丨汀、的博客
01-13 2613
本文围绕导搜推荐场景中三种重要实体：店铺、商品、词，探索了如何基于图神经网络来获得统一空间的实体表征。整个工作瞄准离线基准图构建方向，在节点、连边、聚合、采样、训练过程中都结合导搜推荐具体需求进行了优化。实验结果显示，构建的实体表征对于召回和排序各个场景均有一定帮助。经过多次迭代和优化，我们对图神经网络及异构实体表征方面也产生了一些思考和理解。为了获得丰富的信息，更多类型的实体被期望加入到图中。然而多个具有不同特征空间的实体，也增加了构图和建模的复杂程度。
基于知识图谱的推荐算法MCRec的python实现源码+项目说明+数据集.zip
10-12
【资源说明】 基于知识图谱的推荐算法MCRec的python实现源码+项目说明+数据集.zip基于知识图谱的推荐算法MCRec的python实现源码+项目说明+数据集.zip基于知识图谱的推荐算法MCRec的python实现源码+项目说明+数据集.zip基于知识图谱的推荐算法MCRec的python实现源码+项目说明+数据集.zip 基于知识图谱的推荐算法MCRec的python实现源码+项目说明+数据集.zip 基于知识图谱的推荐算法MCRec的python实现源码+项目说明+数据集.zip 基于知识图谱的推荐算法MCRec的python实现源码+项目说明+数据集.zip 运行环境 python == 3.7.0 torch == 1.12.0 pandas == 1.1.5 numpy == 1.21.6 sklearn == 0.0 数据集介绍 music-音乐 book-书籍 ml-电影 yelp-商户 文件介绍 ratings.txt：记录用户点击的项目，1代表点击了，0代表没有点击 kg.txt：知识图谱文件，第一列是头实体，第二列是尾实体，第三列是关系 user-list.txt：用户及其id文件，第一列是用户的id，第二列是用户 其余文件可忽略 【备注】 1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！ 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用，也适合小白学习进阶，当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行，也可在此代码基础上进行修改，以实现其他功能，也可直接用于毕设、课设、作业等。 欢迎下载，沟通交流，互相学习，共同进步！
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
丨汀、的博客
03-10 351
一、知识图谱算法梳理：本章详细梳理了知识图谱推理算法，讲解了算法原理以及各个算法之间的差异、联系、应用范围和优缺点。二、参考文献图传播算法采用了知识表示对图谱信息进行充分的挖掘。不同的模型对信息的利用层次不同，可以分为以下几个信息层次：属性信息（第一层）、结构信息&标签信息（第二层）、规则约束（第三层）、第四层和第五层是算法模型应用到知识图谱后的互相提升。图传播算法能够挖掘前三层的信息，然后再应用到第四、五层。metapath2vec[24]是2017年发表的。
1.特定领域知识图谱知识融合方案（实体对齐)：文娱知识图谱构建之人物实体对齐
丨汀、的博客
01-13 2813
我们知道决策树的学习最耗时的一个步骤就是对特征的值进行排序（因为要确定最佳分割点），XGBoost在训练之前，预先对数据进行了排序，然后保存为block结构，后面的迭代中重复地使用这个结构，大大减小计算量。全新发布6个深度时序模型。不同的KG库由于使用的场景不同，对于KG中实体的维护程度往往不一致，如上图所示，Aditya Raj Kapoor这个演员在IMDB和Freebase中的作品存在一定的差异，针对这种case，上述普通的GCN无法很好的解决。当然在模型的精度较高的情况下，加入的伪标签才会更精确。
2.特定领域知识图谱融合方案：学以致用-问题匹配鲁棒性评测比赛验证【四】
丨汀、的博客
02-14 1994
本项目主要讲述文本匹配算法的应用实践、并给出相应的优化方案介绍如：可解释学习等。最后文末介绍了知识融合学术界方案、知识融合业界落地方案、算法测评KG生产质量保障等，涉及对比学习和文本。
2.特定领域知识图谱(Domain-specific KnowledgeGraph:DKG)融合方案：技术知识前置【一】文本匹配算法、知识融合学术界方案、知识融合业界落地方案、算法测评KG生产质量保障
丨汀、的博客
01-17 2060
本项目主要围绕着特定领域知识图谱(Domain-specific KnowledgeGraph:DKG)融合方案：技术知识前置【一】-文本匹配算法、知识融合学术界方案、知识融合业界落地方案、算法测评KG生产质量保障讲解了文本匹配算法的综述，从经典的传统模型到孪生神经网络“双塔模型”再到预训练模型以及有监督无监督联合模型，期间也涉及了近几年前沿的对比学习模型，之后提出了文本匹配技巧提升方案，最终给出了DKG的落地方案。这边主要以原理讲解和技术方案阐述为主，之后会慢慢把项目开源出来，一起共建KG，从知识抽取到知
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
丨汀、的博客
04-18 1641
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。
【知识图谱论文】DIVINE：用于知识图推理的生成对抗模仿学习框架
qq_43058281的博客
02-10 870
Article 文献题目：DIVINE: A Generative Adversarial Imitation Learning Framework for Knowledge Graph Reasoning 文献时间：2019 发表期刊：EMNLP 摘要 知识图谱（KGs）经常遭受稀疏和不完整的困扰。知识图谱推理为解决此类问题提供了一种可行的方法。最近对知识边图推理的研究表明，基于强化学习 (RL) 的方法可以提供最先进的性能。然而，现有的基于 RL 的方法需要大量的路径寻找试验，并且严重依赖细致的奖励
【知识图谱系列】知识图谱多跳推理之强化学习
【AI机器学习与知识图谱】的博客
05-21 4210
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 本文分享一篇将强化学习应用在知识图谱多跳推理任务的汇报ppt，简要概述基本概念并推荐几篇近期的优秀论文，介绍其核心思想，完整汇报ppt获取请关注公众号回复关键字：知识图谱强化学习 一、背景知识 1、知识图谱：知识图谱是异质图Heterogeneous Graph，图中含有多种关系类型，一组事实（head entity, relation, tail entity）就代表图中的一个三元组； 2、知识图谱推理：..
特定领域知识图谱融合方案：文本匹配算法之预训练模型ERNIE-Gram
02-10
特定领域知识图谱融合方案：文本匹配算法之预训练模型ERNIE-Gram
知识图谱实体对齐资料论文参考(PDF)+实体对齐方案+特定领域知识图谱知识融合方案（实体对齐)
01-13
资源格式CAJ ...4. 特定领域知识图谱知识融合方案（实体对齐)：基于图神经网络的商品异构实体表征探索 https://blog.csdn.net/sinat_39620217/ar 5. 特定领域知识图谱知识融合方案（实体对齐)论文合集
知识图谱实体对齐资料论文参考(CAJ)+实体对齐方案+特定领域知识图谱知识融合方案（实体对齐)
01-13
资源格式CAJ ...4. 特定领域知识图谱知识融合方案（实体对齐)：基于图神经网络的商品异构实体表征探索 https://blog.csdn.net/sinat_39620217/ar 5. 特定领域知识图谱知识融合方案（实体对齐)论文合集
基于知识图谱的推荐算法KARN的python实现+项目说明+数据集.zip
05-15
基于知识图谱的推荐算法KARN的python实现+项目说明+数据集.zip基于知识图谱的推荐算法KARN的python实现+项目说明+数据集.zip基于知识图谱的推荐算法KARN的python实现+项目说明+数据集.zip基于知识图谱的推荐算法KARN...
知识图谱学习（二）：电商知识图谱
南有芙蕖
08-12 4477
知识图谱学习（二）：电商知识图谱 ——本文摘自机械工业出版社华章图书《阿里巴巴B2B电商算法实战》，参考文献请参见原书。 目录知识图谱学习（二）：电商知识图谱前言互联网创业潮电商生态一、知识工程与专家系统二、语义网络与知识图谱1. 语义网络2. 知识图谱① 知识图谱概述② 常见开放知识图谱三、知识图谱构建1. 知识抽取① 实体抽取② 关系抽取③ 知识融合2. 知识推理① 基于逻辑的推理② 基于图的推理3. 知识图谱存储① 基于表结构的存储4. 基于图结构的存储四、知识表示1. 距离模型2. 翻译模型
AI推介-大语言模型LLMs论文速览（arXiv方向）：2024.04.25-2024.05.01
小小帅
05-30 627
我们提出的软偏好优化（SPO）是一种将生成模型（如大型语言模型（LLM））与人类偏好相协调的方法，而无需奖励模型。SPO 通过一个自然损失函数直接在偏好数据集上优化模型输出，该函数将偏好损失与正则化项整合在模型的整个输出分布上，而不是将其限制在偏好数据集上。虽然 SPO 不需要假设现有的底层奖励模型，但我们证明，在布拉德利-特里（BT）模型假设下，它能收敛到按比例奖励的软最大值，而分布的 "软度 "可通过软最大值指数（算法参数）进行调整。
AI推介-大语言模型LLMs论文速览（arXiv方向）：2024.05.05-2024.05.10
小小帅
05-30 892
当大型语言模型通过有监督的微调进行调整时，它们可能会遇到未通过预训练获得的新事实信息。人们经常猜测，这会让模型产生幻觉，做出与事实不符的回答，因为模型在训练中生成的事实并不基于其预先存在的知识。在这项工作中，我们将研究这种接触新知识的行为对微调模型利用原有知识的能力的影响。为此，我们设计了一个以闭卷 QA 为重点的受控设置，其中我们改变了引入新知识的微调示例的比例。我们证明，大型语言模型很难通过微调获得新的事实知识，因为引入新知识的微调示例的学习速度明显慢于与模型知识一致的示例。
AI推介-多模态视觉语言模型VLMs论文速览（arXiv方向）：2024.05.01-2024.05.10
小小帅
05-28 881
医学图像识别任务因存在多种不同的病理指征而明显复杂化，这给未见标签的多标签分类带来了独特的挑战。这种复杂性凸显了对采用多标签零点学习的计算机辅助诊断方法的需求。预训练视觉语言模型（VLMs）的最新进展展示了医疗图像零镜头分类的显著能力。然而，这些方法在利用来自更广泛图像数据集的大量预训练知识方面存在局限性，而且通常依赖于放射科专家的手动提示构建。通过自动调整提示过程，提示学习技术已成为使 VLM 适应下游任务的有效方法。
【sklearn | 3】时间序列分析与自然语言处理
最新发布
颜淡慕潇
05-31 328
通过本篇进阶教程，我们学习了 sklearn 中的时间序列分析和自然语言处理的基本方法。时间序列分析包括特征提取、时间序列拆分和预测模型，而自然语言处理涵盖了文本特征提取和文本分类。希望这些知识能在你的实际项目中有所帮助，并激发你进一步探索更复杂的时间序列和自然语言处理技术。
基于知识图谱的推理算法
07-28
基于知识图谱的推理算法可以分为三类：基于规则的推理、基于表示学习的推理和基于神经网络的推理。 基于规则的推理是一种传统的推理方法，包括基于一阶谓词逻辑规则的知识推理和基于规则的知识推理。这些方法利用逻辑规则来推断实体之间的关系和属性。 基于表示学习的推理利用张量分解、距离模型和语义匹配模型等技术，通过学习实体和关系的表示向量来进行推理。这些方法可以通过计算实体之间的相似度或距离来推断它们之间的关系。 基于神经网络的推理利用卷积神经网络、递归神经网络和强化学习等技术，通过训练神经网络来进行推理。这些方法可以学习实体和关系之间的复杂模式，并进行推断和预测。 这些推理算法可以应用于知识图谱的相关领域，如问答系统、推荐系统和知识图的完善等。它们可以帮助我们从知识图谱中提取更多的信息，并进行推理和推断。 #### 引用[.reference_title] - *1* *2* [基于知识图谱的知识推理](https://blog.csdn.net/minggelin1997/article/details/109024359)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *3* [知识图谱从入门到应用——知识图谱推理：基于符号逻辑的知识图谱推理](https://blog.csdn.net/hy592070616/article/details/126942053)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“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

十分感谢您的支持

¥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