知識圖譜表示學習模型通過學習知識圖譜中實體和關系的表示，用于預測實體之間缺失的鏈接（關系），而這些模型的性能很大程度上受模型推斷不同關系模式能力的影響。目前常見的關系模式有對稱、非對稱、互逆、組合和傳遞等。盡管現有模型已經能夠對這些關系模式中的大部分進行建模，但當前模型還未能支持建模傳遞關系性這一常見的關系模式。
在本文中，我們首先從理論上證明了傳遞關系可以用一種通用的投影變換進行建模。然后我們提出了一種能夠將投影變換和關系的旋轉結合在一起的知識表示模型，Rot-Pro。我們證明了 Rot-Pro 可以推斷出上述所有關系模式。實驗結果表明，Rot-Pro 模型能夠有效地學習傳遞模式，并在包含傳遞關系的數據集中展現了良好的鏈接預測結果。
論文標題：
Rot-Pro: Modeling Transitivity by Projection in Knowledge Graph Embedding
論文鏈接：
付費5元查看完整內容
相關內容
本文提出了一種基于框架小波變換（framelet transforms）的圖神經網絡。這種方法為結構化的圖數據提供了多尺度表示。我們利用這種變換方式把圖數據特征分解到低通和高通頻率（low-pass and high-pass frequency）空間上，并利用這些頻率信息定義相應的框架小波圖卷積層（graph framelet convolutional layer）。此外，圖上的特征通過框架小波分解，聚合出了低通和高通光譜（spectra）的信息。我們利用這一特征，進一步提出了相應的圖池化（graph pooling）方法。這種池化方法同時考慮了圖數據的特征信息（feature information）和幾何信息（topology information）。
我們在多種節點預測和圖預測任務上對本文提出的框架小波卷積和池化方法的圖神經網絡進行了測試。實驗結果表明，我們的方法在多種應用下都可以達到SOTA的表現。
付費5元查看完整內容
主題： Low-Dimensional Hyperbolic Knowledge Graph Embeddings
摘要： 知識圖譜（KG）嵌入學習實體和關系的低維表示，以預測缺失的內容。 KG通常表現出必須保留在嵌入空間中的分層和邏輯模式。對于分層數據，雙曲線嵌入方法已顯示出對高保真和簡約表示的希望。但是，現有的雙曲線嵌入方法無法解決KG中的豐富邏輯模式。在這項工作中，我們介紹了一類雙曲KG嵌入模型，該模型同時捕獲層次結構和邏輯模式。我們的方法將雙曲線反射和旋轉結合在一起，以注意對復雜的關系模式進行建模。在標準KG基準上的實驗結果表明，我們的方法在較低維度上的平均倒數排名（MRR）比以前的基于歐幾里德和雙曲線的方法提高了6.1％。此外，我們觀察到，不同的幾何變換捕獲不同類型的關系，而基于注意力的變換則泛化為多個關系。在高維度上，我們的方法在WN18RR上產生了49.6％的最新技術水平，在YAGO3-10上產生了57.7％的最新技術水平。
付費5元查看完整內容
題目： Low-Dimensional Hyperbolic Knowledge Graph Embeddings
摘要： 知識圖譜(KG)嵌入通過學習實體和關系的低維表示，以預測缺失事實。KGs通常具有層次結構和邏輯模式，必須在嵌入空間中保留這些模式。對于分層數據，雙曲嵌入方法已顯示出高保真度和簡潔表示的優勢。然而，現有的雙曲嵌入方法不能解釋KGs中豐富的邏輯模式。在本工作中，我們引入了一類雙曲KG嵌入模型，可以同時捕獲層次和邏輯模式。我們的方法結合雙曲反射和旋轉注意力模型復雜的關系模式。在標準KG基準上的實驗結果表明，我們的方法在低維的平均倒數(MRR)方面比預先的歐幾里得和雙曲的工作提高了6.1%。此外，我們觀察到不同的幾何變換捕捉不同類型的關系，而基于注意的變換則推廣到多重關系。在高維情況下，我們的方法在WN18RR和YAGO3-10上分別獲得了49.6%和57.7%的最先進的MRR。
付費5元查看完整內容
知識圖譜嵌入
·
知識圖譜(KG)嵌入通過學習實體和關系的低維表示來預測缺失的事實。KGs通常表現出層次結構和邏輯模式，必須在嵌入空間中保留這些模式。對于層次數據，雙曲線嵌入方法已經顯示出高保真和精簡表示的前景。然而，現有的雙曲線嵌入方法并不能解釋KGs中豐富的邏輯模式。在本文中，我們介紹了一類雙曲線KG嵌入模型，該模型同時捕獲層次模式和邏輯模式。我們的方法結合了雙曲線反射和旋轉，并注意到模型的復雜關系模式。在標準KG基準上的實驗結果表明，我們的方法在低維平均倒數秩(MRR)方面比以前的基于歐幾里德和雙曲線的方法提高了6.1%。此外，我們觀察到不同的幾何變換捕獲不同類型的關系，而基于注意的變換泛化為多個關系。在高維情況下，我們的方法可以得到最新的MRRs, WN18RR為49.6%，YAGO3-10為57.7%。
付費5元查看完整內容
知識圖譜補全的目的是預測知識圖譜中實體之間的缺失關系。雖然已經提出了許多不同的方法，但缺乏一個統一的框架產生SOTA的結果。在這里，我們開發了PathCon，這是一種知識圖譜補全方法，它利用四個新穎的見解來超越現有的方法。PathCon通過以下方法預測一對實體之間的關系: (1)通過捕獲實體附近的關系類型，并通過基于邊緣的消息傳遞模式建模，來考慮每個實體的關系上下文; (2)考慮獲取兩個實體之間所有路徑的關系路徑; (3)通過可學習的注意力機制，自適應地整合關系上下文和關系路徑。重要的是，與傳統的基于節點的表示不同，PathCon僅使用關系類型表示上下文和路徑，這使得它適用于歸納設置。在知識圖譜基準上的實驗結果以及我們新提出的數據集表明，PathCon在很大程度上優于最先進的知識圖譜補全方法。最后，PathCon能夠通過識別對給定的預測關系很重要的上下文和路徑關系來提供可解釋的說明。
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191