关于GCN的论文笔记--End-to-end Structure-Aware Convolutional Networks for Knowledge Base Completion

最新推荐文章于 2022-03-31 15:46:56 发布
最新推荐文章于 2022-03-31 15:46:56 发布
阅读量866 收藏 4
点赞数 1
分类专栏： 深度学习模型 文章标签： 知识图谱 深度学习 神经网络
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/xiao_muyu/article/details/122021737
版权

用于知识图谱完成的端到端结构感知卷积网络

论文题目 End-to-end Structure-Aware Convolutional Networks for Knowledge Base Completion
论文出自 arXiv,2018

图结构感知卷积网络SACN： 由加权图卷积网络 (WGCN) 的编码器和 Conv-TransE 的卷积网络的解码器组成。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-iUK8gW72-1639884104040)(D:\DBLab\MyNote\TyporaImages\image-20211218115051524.png)]

权重卷积层WGCN ?

利用知识图节点结构、节点属性和边关系类型。

在聚合时对不同类型的关系进行不同的权重，并且在网络训练期间自适应地学习权重。 通过这种适配，WGCN 可以控制来自相邻节点的用于聚合的信息量。

在这个例子中，网络的 WGCN 层计算中间图中红色节点的嵌入。 这些层聚合了 KB 关系中指定的相邻实体节点的嵌入。 边的三种颜色（蓝色、黄色和绿色）表示图中的三种不同的关系类型。 对应的三个实体节点在这一层根据不同的权重相加得到红色节点的embedding。 具有相同颜色（相同关系类型）的

最低0.47元/天 解锁文章
努力AC的潇潇
关注
专栏目录
GNN in KG(二) End-to-End Structure-Aware Convolutional Networks for Knowledge Base Completion AAAI19
qq_36618444的博客
02-21 496
本文的作者来自康涅狄格大学以及JD AI Research。 本文提出了一个端到端的模型SACN。它由一个加权图卷积网络(WGCN)的编码器和一个Conv-TransE的译码器组成，WGCN利用了KG节点结构、节点属性和边缘关系类型。该解码器使用了特殊的卷积简化了ConvE（后文会提到），并保留了TransE的平移性质以及ConvE的性能。 在related work中提到了一些经典的工作，比如Tans家族、DisTMult、ComplEX、STransE等。这里就不重点介绍了。 Method 先看一下整体
图神经网络论文阅读(五) Structure-Aware Convolutional Neural Networks，NIPS2018
qq_36618444的博客
02-05 1939
本文的作者来自中科院自动化所以及中科院大学人工智能学院。 为了拓展卷积操作到非欧图结构，本文提出了structure-aware convolution（结构感知卷积）将非欧式图与欧式图结构之间的差别抹平。从技术上讲，结构感知卷积中的滤波器被推广到单变量函数，该单变量函数能够聚合具有不同拓扑结构的局部输入。由于单变量函数需要确定无数个参数，所以使用函数逼近理论近似代替单变量函数，最终建立起模型St...
End-to-End Structure-Aware Convolutional Networks for Knowledge Base Completion--阅读笔记
NYSDY的博客
09-03 1309
我的博客链接 0. 总览 0.1 要解决什么问题？（what？） 知识图谱补全中： 以前的方法只建模关系三元组，忽略了大量图节点相关属性； 以前的方法并没有增强在嵌入空间中大规模连接结构，完全忽略了图结构。 0.2 用什么方法解决？（how？） 用GCN和ConvErt相结合的方法组成一个端到端的学习方法。 encoder部分利用一个带权重的GCN的方法（利用图的结构并保留节点的属性）。 decoder部分利用Conv-TransE，利用啊convE的方法，但是去掉了实体和关系的矩阵重组部分。（为了保
【阅读笔记】：End-to-end Structure-Aware Convolutional Networks for Knowledge Base Completion
weixin_30832983的博客
09-14 1156
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...
End-to-end Structure-Aware Convolutional Networks for Knowledge Base Completion
羊城迷鹿的博客
09-15 1258
研究问题 将图网络作为编码器，将Conv-TransE作为解码器，应用于知识图谱补全任务 背景动机 ConvE模型在做卷积之前对embedding实施了reshape操作，并且没有保留TransE系列模型的可翻译属性 ConvE模型没有把知识图谱的连通性纳入考虑 模型思想 提出了一种端到端的图结构敏感的卷积网络，编码器为WGCN，将节点结构、节点属性、关系类型作为输入；解码器为Conv-TransE，在ConvE的基础上可以保留实体到关系嵌入之间的翻译属性。 模型框架 总体流程 编码器计算出嵌入矩阵
Knowledge Embedding Based Graph Convolutional Network
羊城迷鹿的博客
09-15 1104
研究问题 提出了一种可以充分结合异构的节点信息和边信息，同时学习这两者的嵌入的图卷积网络KE-GCN，并将之前的几种知识图谱CNN纳入一个统一的框架下 背景动机 传统的图卷积模型一般不关注学习边的嵌入，且无法处理异构的边信息 知识图谱领域的大多数嵌入学习方法没有利用到图的结构信息 知识图谱领域的图卷积模型虽然同时学习了节点和边的嵌入，但主要精力还是在根据关系嵌入优化实体嵌入，而没有对称的过程 模型方法 重新解释邻居聚合公式 传统GCN对非异构边的邻居聚合公式可以表示为 现在引入得分函数f估计每条边
【Pytorch神经网络理论篇】 26 基于空间域的图卷积GCNs（ConvGNNs）：定点域+谱域+图卷积的操作步骤
小李的研究生学习日记
03-31 9273
图卷积网络（Graph Convolutional Network，GCN)是一种能对图数据进行深度学习的方法。图卷积中的“图”是指数学（图论）中用顶点和边建立的有相关联系的拓扑图，而积指的是“离散卷积”，其本质就是一种加权求和，加权系数就是卷积核的权重系数。 图结构数据是具有无限维的一种不规则数据，每一个顶点周围的结构可能都是独一无二的，没有平移不变性使得传统的CNN、PNN无法在上面工作。 1 GCN 如果说CNN是图像的特征提取器，那么GCN便是图数据的特征提取器。 CNN可以直接...
【论文阅读】Attention Guided Graph Convolutional Networks for Relation Extraction
li_jiaoyang的博客
03-19 527
把句法依存树当成输入 在n元关系抽取，大规模句子级别关系抽取都能充分利用依存树的信息 https://github.com/Cartus/AGGCN_TACRED 文章目录创新：GCN注意力引导层密连接层线性组合层关系抽取层 创新： 提出soft pruning策略，把一颗完整的依存树送到全连通边加权图里。 这里的权重就通过attention学习得到 GCN 给定一个图，有n个节点，我们可以用n∗nn*nn∗n的邻接矩阵表达这个图结构。 可以把边的方向性扩展到模型中，用来编码依存树 每个结点都添加一个.
Paper之KE之CIKM&IEEE-TKDE：Knowledge Engineering知识工程领域高水平论文翻译及其解读
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
01-13 8174
Paper之KE之CIKM&IEEE-TKDE：Knowledge Engineering知识工程领域高水平论文翻译及其解读 目录 Knowledge Engineering知识工程领域高水平论文相关会议 IEEE-TKDE CIKM Knowledge Engineering知识工程领域高水平论文翻译及其解读 Convolutional 2D Knowledge Gra...
最新推荐 | 清华NLP图神经网络GNN论文分门别类，16大应用200+篇论文
THU数据派
08-12 6659
来源：专知本文约6200字，建议阅读5分钟。本文总结了清华大学NLP课题组Jie Zhou, Ganqu Cui, Zhengyan Zhang and Yushi Ba...
【阅读笔记】Reasoning With Neural Tensor Networks for Knowledge Base Completion
笔记
01-12 7804
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...
2019-02-26-GCN资料
haoji007的博客
11-03 2090
工具：https://github.com/dmlc/dgl 快速了解GCN（图卷积神经网络） 2018年11月27日 14:40:48算法学习者阅读数：786 如何理解 Graph Convolutional Network（GCN）？https://www.zhihu.com/question/54504471 推荐初学者可以先从知乎的这个问题出发，点赞最多的《从CNN到GC...
关于fcn技术点知识总结（conv和transconv的关系详解）
weixin_41630455的博客
04-25 1530
https://github.com/vdumoulin/conv_arithmetic 老师关于fcn的翻卷积后对浅层crop的计算细节地址https://zhuanlan.zhihu.com/p/367501459 这个链接下有关于各种conv的各种计算细节。以及各种情况下conv与对应deconv的对应关系。根据convolution这个文章的解读。以下是关于我阅读这篇文章中的一些中文细节注释（标红的是个人理解）。 文中开头提到一个conv层的输出形状受到他的输入形状、kernel形状的选择、零
WGCNA分析，简单全面的最新教程（可以在线做了）
悟道西方
10-07 1万+
生信学习的正确姿势（第三版）NGS系列文章包括NGS基础、转录组分析（Nature重磅综述|关于RNA-seq你想知道的全在这）、ChIP-seq分析（ChIP-seq基本分析流程）...
WGCNA分析，简单全面的最新教程
热门推荐
悟道西方
04-30 4万+
欢迎关注天下博客：http://blog.genesino.com/2018/04/wgcna/ WGCNA基本概念 加权基因共表达网络分析 (WGCNA, Weighted correlation network analysis)是用来描述不同样品之间基因关联模式的系统生物学方法，可以用来鉴定高度协同变化的基因集, 并根据基因集的内连性和基因集与表型之间的关联鉴定候补生物标记基因或治疗...
GCN、GAT实现Cora数据集节点分类（pytorch-geometric框架）
qq_20805805的博客
06-09 1万+
Cora数据集 介绍 下载地址：https://linqs-data.soe.ucsc.edu/public/lbc/cora.tgz Cora数据集由深度学习论文组成，论文表示为节点，论文之间的引用关系表示为节点之间的边，每篇论文引用或被至少一篇其他论文引用，不存在孤立节点。 论文被分为以下七类之一: Case_Based Genetic_Algorithms Neural_Networks Probabilistic_Methods Reinforcement_Learning Rule_Learni
基于深度学习的三维语义理解（分割）综述列表
qq_41918369的博客
10-01 4424
基于深度学习的三维语义理解（分割）综述列表 文章目录基于深度学习的三维语义理解（分割）综述列表前言基于深度学习的三维语义理解（分割）综述列表一、 从三维模型中进行深度学习1.1基于点云的方法1.2基于体素的方法1.3基于mesh的方法二、多模态融合的方法2.1紧耦合2.2松耦合总结 前言 随着2016年pointnet的发表，三维空间中的语音理解逐渐进入了爆发式的增长，本文对至今一些优秀的文章进行部分整理。 基于深度学习的三维语义理解（分割）综述列表 一、 从三维模型中进行深度学习 1.1基于点云的方法
推荐系统初学者系列（8）-- Graph Embedding（网络嵌入表示）做Top-K推荐
私人天地
06-29 1万+
上一篇：Surprise库做Top-K推荐
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