论文浅尝 | 可建模语义分层的知识图谱补全方法

 

近些年,知识图谱(Knowledge Graph)在自然语言处理、问答系统、推荐系统等诸多领域取得了广泛且成功的应用。然而,现有知识图谱普遍存在链接缺失问题。为解决该问题,知识图谱补全任务应运而生。目前的知识图谱补全模型可分为多个流派,而基于距离的模型是其中重要一派。这类模型可以建模对称、互逆与复合等不同的抽象关系模式(Relation Pattern),却难以对知识图谱中普遍存在的语义分层(Semantic Hierarchies)现象进行有效建模。

继续阅读“论文浅尝 | 可建模语义分层的知识图谱补全方法”

论文浅尝 \ 联合知识图谱实例和本体概念的通用表示学习

      

论文链接:

http://web.cs.ucla.edu/~yzsun/papers/2019_KDD_JOIE.pdf

 

本文是发表在KDD 2019上的关于知识图谱表示学习的论文。现有知识图谱表示模型通常只关注在单一视图,即实例层面或是本体层面,本文认为两个层面的信息存在相互增强促进的作用,因此一种新颖的双视图(联合)知识图谱表示模型被提出来生成更好的节点和关系的表示。在三元组补全任务和实体分类任务上,本文的模型结果明显优于已存在的模型。

继续阅读“论文浅尝 \ 联合知识图谱实例和本体概念的通用表示学习”

论文浅尝 | GraphSAINT—基于图采样的归纳学习方法

 

 

1. 简介

受显存的因素限制,应用图神经网络于大规模图学习任务上面临“邻居爆炸(Neighbor Explosion)”问题,导致网络深度局限于少数几层(否则指数爆炸),计算量过大等问题。前人工作提出了众多基于采样邻居节点的方法,并利用多类型的聚合函数提高魔性的表达能力。

继续阅读“论文浅尝 | GraphSAINT—基于图采样的归纳学习方法”