【论文笔记】ParamE模型学习

最新推荐文章于 2024-11-14 17:34:54 发布
最新推荐文章于 2024-11-14 17:34:54 发布
阅读量771 收藏
点赞数
分类专栏： 知识图谱嵌入 文章标签： 神经网络 机器学习 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/weixin_43327106/article/details/117323031
版权
ParamE是一种新的知识图嵌入模型，它将关系嵌入视为神经网络的参数，从而结合了平移性质和非线性拟合能力。论文提出，通过将头部实体嵌入作为输入，关系嵌入作为参数，尾部实体嵌入作为输出，可以提高模型的表达力和平移性。ParamE的实现包括ParamE-MLP、ParamE-CNN和ParamE-Gate，并在实验中表现出通用性。文章还介绍了Gate的概念，将其比喻为控制水流的阀门，用于调节信息的流动。
摘要由CSDN通过智能技术生成

ParamE: Regarding Neural Network Parameters as Relation Embeddings for Knowledge Graph Completion

AAAI 2020

论文地址

Reference Format

GB/T 7714
Che F , Zhang D , Tao J , et al. ParamE: Regarding Neural Network Parameters as Relation Embeddings for Knowledge Graph Completion[J]. Proceedings of the AAAI Conference on Artificial Intelligence, 2020, 34(3):2774-2781.

Problems

神经网络的平移性质和非线性拟合能力在KG嵌入中都是至关重要的。

  1. 以往关于链路预测的平移模型利用了平移特性，但缺乏足够的表达性；
  2. 基于卷积神经网络的模型(ConvE)利用了神经网络巨大的非线性拟合能力，具有较强的预测能力；由于ConvE将神经网络与实体和关系结合在一起，因此忽略了KGs的平移特性。

Methods

最低0.47元/天 解锁文章
南星_
关注
专栏目录
ParamE: Regarding Neural Network Parameters as Relation Embeddings for Knowledge Graph Completion
羊城迷鹿的博客
12-19 937
研究问题 将神经网络的参数视为关系嵌入，增强模型的表达性以及保持可翻译性 背景动机
【火山引擎】调用火山大模型的方法 | SDK安装 | 配置 | 客户端初始化 | 设置
静谧、淡雅
10-14 519
调用火山大模型的方法 | SDK安装 | 配置 | 客户端初始化 | 设置
知识图谱系列——ParamE模型学习
KH的博客
03-24 1029
ParamE: Regarding Neural Network Parameters as Relation Embeddings for Knowledge Graph Completion AAAI 2020 Reference Format: GB/T 7714 Che F , Zhang D , Tao J , et al. ParamE: Regarding Neural Network Parameters as Relation Embeddings for Knowledge Gr
python——基础5
weixin_42161333的博客
07-29 140
1.迭代器与生成器 迭代器 迭代是Python最强大的功能之一，是访问集合元素的一种方式。 迭代器是一个可以记住遍历的位置的对象。 迭代器对象从集合的第一个元素开始访问，直到所有的元素被访问完结束。迭代器只能往前不会后退。 迭代器有两个基本的方法：iter() 和 next()。 字符串，列表或元组对象都可用于创建迭代器： 创建一个迭代器 把一个类作为一个迭代器使用需要在类中实现两个方法 ite...
论文阅读 Regarding neural network parameters as relation embeddings for knowledge graph completion
qq_41669355的博客
11-26 589
Regarding neural network parameters as relation embeddings for knowledge graph completion 关于神经网络参数作为知识图完成的关系嵌入 发表于：The Thirty-Fourth AAAI Conference on Artificial Intelligence (AAAI-20) 摘要：我们研究知识图中学习实体和关系嵌入的任务，以预测缺失的链接。先前关于链接预测的平移模型利用平移特性但缺乏足够的表达能力，而基于卷积神经
参数（parameter）和属性（Attribute）的区别
DragonAssassin的专栏
07-27 1039
区别： 来源不同：    参数（parameter）是从客户端（浏览器）中由用户提供的，若是GET方法是从URL中 提供的，若是POST方法是从请求体（request body）中提供的；   属性（attribute）是服务器端的组件（JSP或者Servlet）利用requst.setAttribute（）设置的 操作不同：    参数（para
【论文阅读笔记】2020NeurIPS终身学习（Lifelong /continual learning）相关论文列表
zincrain的博客
12-08 1280
GAN Memory with No Forgetting已读待写； Calibrating CNNs for Lifelong Learning已读待写； Improved Schemes for Episodic Memory-based Lifelong Learning已读待写； Lifelong Policy Gradient Learning of Factored Policies for Faster Training Without Forgetting强化学习相关，暂未读懂； Cont.
递归参数生成器实现紧凑优化的深度学习模型
3900使用递归参数生成器的紧凑和优化深度学习王佳云*1陈玉北3，4...我们提出了一种完全不同的紧凑和优化深度学习方法：我们将模型的自由度（DoF）和实际参数数量解耦，在一个阶段的端到端学习中，为任意架构的大型
多领域学习中的预算感知领域特定深度模型与网络复杂度自动调整
382适用于多领域学习的RodrigoBerriel1*Ste phaneLathuilie` re2MoinNabi...Domain Learning（MDL）指的是学习一组从普通深空气中建立的模型的问题，以及一个专门用于在一个领域中执行任务的问题。画，素描，绘画）。这
parameter和localparam 区别
wangyanchao151的专栏
03-21 1379
parameter可用作在顶层模块中例化底层模块时传递参数的接口，localparam的作用域仅仅限于当前module，不能作为参数传递的接口。
Mybatis配置映射文件中parameterType的用法小结
weixin_34258782的博客
03-23 959
原创： 在mybatis映射接口的配置中,有select,insert,update,delete等元素都提到了parameterType的用法，parameterType为输入参数，在配置的时候，配置相应的输入参数类型即可。parameterType有基本数据类型和复杂的数据类型配置。1.基本数据类型，如输入参数只有一个，其数据类型可以是基本的数据类型，也可以是自己定的类类型。包括int,Str...
vue-router query和params传参(接收参数)的区别
热门推荐
卖女孩的小火柴
04-01 3万+
最近在学vue，今天做项目时踩到了vue-router传参的坑（query和params），所以决定总结一下二者的区别。 直接总结干货！！！ 1.query方式传参和接收参数 传参: this.$router.push({ path:'/xxx' query:{ id:id } }) 接收参数: ...
请查收！顶会AAAI 2020录用论文之知识图谱篇
语言智能技术笔记簿
02-23 5346
2020年人工智能顶级会议AAAI录用的知识图谱领域的研究论文已为您准备就绪，请查收！
图论文快讯|AAAI2020图相关论文合集，涉及各个方面
fengdu78的博客
01-21 5281
论文快讯整理：AIGraphAAAI 2020 图相关的论文很多，涵盖了图相关研究的方方面面，小编将图相关的论文整理如下，需要的童鞋们可以自取。如果你对其中的论文感兴趣，欢迎加入我们的图...
【AAAI 2020】全部接受论文列表（四）
yinizhilianlove的博客
01-23 8131
来源：AINLPer微信公众号（点击了解一下吧） 编辑: ShuYini 校稿: ShuYini 时间: 2020-01-09     今年共收到的有效论文投稿超过 8800 篇，其中 7737 篇论文进入评审环节，最终收录数量为 1591 篇，收录率为 20.6%， 虽然今年 AAAI 论文收录率的分母要比去年的 7700 篇多上 1100 余篇，但是整体收录数量比去年的 1150 篇多出不...
《Graph Neural Networks with Generated Parameters for RelationExtraction》阅读笔记
想吃煎饼果子
11-04 2790
《Graph Neural Networks with Generated Parameters for Relation Extraction》阅读笔记 Abstract 近年来，在机器学习领域，关系推理的改进取得了进展。在现有模型中，图神经网络是多跳关系推理的最有效方法之一。事实上，多跳关系推理在许多自然语言处理任务中是不可缺少的，例如关系抽取。本文通过自然语言语句提出带有生成参数的...
论文浅尝 | GNN with Generated Parameters for Relation Extraction
开放知识图谱
01-04 752
论文笔记整理：申时荣，东南大学博士生。地址：https://arxiv.org/pdf/1902.00756.pdf来源：ACL2019在许多自然语言处理任务（例如关系提取）中，多跳关系...
【阅读笔记】Reasoning With Neural Tensor Networks for Knowledge Base Completion
笔记
01-12 7888
前言 论文地址 Poster Abstract 这篇论文里，作者介绍了一个适用于推理两个实体关系的神经网络（Neural Tensor Network）.相比之前的工作要么将实体表示成离散的最小单元或者是单个的实体向量，而这篇论文实验表明当实体被表现成他们词向量的平均值时实验的效果会提升。最后，论文证明当这些词向量通过大量非监督学习的语料学习结果作为参数的初始化值，对于预测知识库里两个实体是否有关...
深度学习笔记14-卷积神经网络2
最新发布
weixin_51828505的博客
11-14 716
卷积神经网络，是包含卷积运算且具有深度结构的前馈神经网络。在卷积神经网络中，包含卷积层、池化层和全连接层三种重要的结构。相比前馈神经网络，卷积层和池化层是新增的网络结构，在提取特征时，卷积神经网络使用卷积层代替了全连接层，可以通过增加卷积层和池化层的数量，得到更深的卷积神经网络。
评论 2
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

南星_

你的鼓励将是我创作的最大动力

¥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