知识图谱
文章平均质量分 92
huihui12a
这个作者很懒,什么都没留下…
展开
-
Hierarchical attentive knowledge graph embedding for personalized recommendation
大多数现有的方法都不足以利用KG来捕获用户偏好,因为它们要么通过具有有限表达性的路径来表示用户-物品的连接,要么通过在整个KG上传播信息来隐式地建模,并带有不可避免的噪声。因为基于路径的方法的线性路径只能捕获用户-物品连接的部分语义,而用户-物品连接最初是由具有丰富语义和非线性拓扑的子图表示的。基于传播的方法不是直接表示用户-物品连接性,而是通过在整个KG上传播信息来隐式地对它们进行建模,其中用户偏好通常是通过聚合来自所有邻居的信息来学习的,会引入与目标物品无关的噪声。原创 2023-09-20 21:20:59 · 111 阅读 · 0 评论 -
Few-Shot Knowledge Graph Completion
以往的KGC认为每个关系有足够的实体对可以进行学习,但在实际数据集中,关系的频率分布往往有长尾,在KG中,很大一部分关系只有很少的实体对,因此如何处理实体对有限的关系是有挑战的。通过关注权αi考虑了异构关系邻居的不同影响,并利用实体ti和关系ri的嵌入来计算αi。最后损失函数结合实体对查询和参考集嵌入之间的相似性,以及第二步计算参考集嵌入的重构损失;作者通过聚合参考集Rr中所有实体对的表示来产生Rr的的嵌入。Qr是关系r的所有查询对的集合。T步处理后的最后一层的隐藏层状态gT是查询对的嵌入。原创 2023-05-25 18:00:11 · 1045 阅读 · 0 评论 -
Sequence-to-Sequence Knowledge Graph Completion and Question Answering
作者可以将encoder-decoder的Transformer当作KGE模型。将KG链接预测任务当作sequence-to-sequence任务,并将以前KGE模型使用的triple score方式变为自回归解码方式。原创 2023-05-12 11:10:19 · 396 阅读 · 0 评论 -
ConMask: Open-World Knowledge Graph Completion
引入一个名为ConMask的开放世界KGC模型,该模型学习实体名称和部分文本描述的嵌入,将看不见的实体连接到KG。为了减少嘈杂文本描述的存在,ConMask使用依赖关系的内容掩码来提取相关片段,然后训练全卷积神经网络,将提取的片段与KG中的实体融合。原创 2023-05-06 15:50:36 · 802 阅读 · 0 评论 -
How Does Knowledge Graph Embedding Extrapolateto Unseen Data: A Semantic Evidence View
这篇文章很巧妙,相比于其它KGE文章:(1)本文探讨为什么模型可以外推到没有见过的三元组;(2)假设是外推能力是因为学习到三个层次的语义证据,这些语义证据是只依赖于数据的,和模型无关。作者对多个KGE模型进行实验,发现对于语义证据强的数据,所有模型的效果都好,证明了假设。(3)因此作者发现其它KGE模型外推是因为也隐式学到了语义证据,作者显式明确地建模语义证据,实验发现效果好。原创 2023-05-01 21:40:17 · 325 阅读 · 0 评论 -
IMF: Interactive Multimodal Fusion Model for Link Prediction
提出了一种新的两阶段融合模型IMF,该模型能够有效地整合不同模式的互补信息,用于链路预测。(2)设计了一个有效的多模态融合模块,通过对比学习来捕捉双线性交互,从而对共性和互补性进行联合建模。(3)在四个广泛使用的多模态链路预测数据集上进行了大量实验,证明了IMF的有效性和通用性原创 2023-04-26 17:12:51 · 1171 阅读 · 2 评论 -
Learning from History: Modeling Temporal Knowledge Graphs with SequentialCopy-Generation Networks
作者观察到许多事实沿着时间线显示出重复的模式(例如经济和外交活动),说明一个模型可以从历史上出现的已知事实学到很多东西。因此作者提出的CyGNet包括两部分:(1)复制模式(Copy Mode):旨在识别重复出现的事实,从历史中和某(s,p)交互的所有目标(o)实体组成的历史词汇中选择实体,作为预测结果;(2)生成模式(Generation Mode):从整个实体词汇中预测实体。最后将两种预测概率加权组合。原创 2023-04-03 15:11:37 · 360 阅读 · 0 评论 -
Recurrent Event Network: Autoregressive Structure Inference overTemporal Knowledge Graphs
作者提出递归事件网络(RE-NET),用于预测未来交互的新的自回归体系结构。事实的发生被建模为以过去知识图的时间序列为条件的概率分布。RE-NET使用RNN Encoder对过去的事实进行编码,使用邻域Aggregator对相同时间的事实链接进行建模。基于这两个模块以顺序的方式推断出未来事实。原创 2023-03-31 18:19:53 · 496 阅读 · 0 评论