×
韩，肖;张春红;郭晨晨;吉、杨;胡、郑

具有子图感知邻近性的知识图的分布式表示。 （英语） Zbl 1436.68334号

理论。计算。科学。 803, 48-56 (2020).
摘要：知识图的分布式表示（KG）旨在将原始KG嵌入到低维嵌入向量空间中，以便于KG的完成以及KG在其他人工智能领域的应用。现有的模型大多保留了嵌入空间中KG的某些邻近特性，如一阶/二阶邻近和序列软件的高阶邻近。然而，不同序列之间普遍存在的相似关系却很少被讨论。在本文中，我们提出了一个统一的框架来保持嵌入空间中的子图感知邻近性，认为子图中的序列通常意味着相似的模式。特别是，根据KG序列的组成和结构，我们提供了三种计算KG序列嵌入的方法：1）在关系子图中简单地添加KG序列所涉及的关系；2） 完备子图中KG序列的递归神经网络；3） 扩展递归神经网络以匹配完整子图中KG序列的特殊结构。在实践中，我们对所提出的链接预测和实体分类的KG完成任务框架进行了评估。结果表明，通过保持子图感知的邻近性，我们的框架优于基线。特别是，探索KG序列的特殊结构可以进一步提高性能。

理学硕士：

68立方英尺 知识表示
68兰特 计算机科学中的图论（包括图形绘制）

关键词：

知识图;分布式表示;子图感知接近

软件：

DeepWalk公司;自由基;雅高;项目工程;节点2vec;TransT公司;线路
PDF格式BibTeX公司 XML格式引用
\textit{X.Han}等人，Theor。计算。科学。803、48-56（2020年；Zbl 1436.68334）
全文： 内政部

参考文献：

[1] Bollacker，K。；埃文斯，C。；帕里托什，P。；斯特奇，T。；Taylor，J.，Freebase:一个合作创建的用于构建人类知识的图形数据库，（2008年ACM SIGMOD国际数据管理会议论文集（2008），ACM），1247-1250
[2] Suchanek，F.M。；Kasneci，G。；Weikum，G.，Yago:语义知识的核心，（第16届国际互联网会议论文集（2007），ACM），697-706
[3] A.卡尔森。；Betteridge，J。；基西尔，B。；沉降，B。；赫鲁晓卡，E.R。；Mitchell，T.M.，《走向永无止境的语言学习架构》（AAAI，第5卷）。AAAI，第5卷，亚特兰大（2010）），3
[4] 戈亚尔，P。；Ferrara，E.，《图形嵌入技术、应用和性能：调查》，arXiv预印本
[5] Bordes，A。；Usunier，N。；Garcia-Duran，A。；韦斯顿，J。；Yakhnenko，O.，为多关系数据建模翻译嵌入，（神经信息处理系统进展（2013）），2787-2795
[6] Wang，Z。；张杰。；冯，J。；Chen，Z.，超平面上平移的知识图嵌入（AAAI（2014）），1112-1119
[7] Lin，Y。；刘，Z。；孙，M。；刘，Y。；Zhu，X.，用于知识图完成的学习实体和关系嵌入，（AAAI（2015）），2181-2187
[8] 吉，G。；He，S。；徐，L。；刘凯。；赵J.，通过动态映射矩阵嵌入知识图，（ACL（1）（2015）），687-696
[9] Bordes，A。；格洛洛特，X。；韦斯顿，J。；Bengio，Y.，用于学习多关系数据的语义匹配能量函数，Mach。学习。，94, 2, 233-259 (2014) ·Zbl 1319.68169号
[10] 刘，Q。；姜浩。；Evdokimov，A。；凌志浩。；朱，X。；Wei，S。；Hu，Y.，通过深度学习进行概率推理：神经关联模型，arXiv预印本
[11] Socher，R。；陈，D。；曼宁，C.D。；Ng，A.，用神经张量网络进行推理以完成知识库，（神经信息处理系统进展（2013）），926-934
[12] Shi，B。；Weninger，T.，《Proje:嵌入投影以完成知识图》，（AAAI，第17卷（2017）），1236-1242
[13] Tang，J。；曲，M。；王，M。；张，M。；严，J。；Mei，Q.，Line:大规模信息网络嵌入，（第24届万维网国际会议论文集（2015），国际万维网会议指导委员会），1067-1077
[14] 王，D。；崔，P。；朱伟，结构深层网络嵌入，（第22届ACM SIGKDD国际知识发现与数据挖掘会议论文集（2016），ACM），1225-1234
[15] Perozzi，B。；Al-Rfou，R。；Skiena，S.，《Deepwalk：社交表征的在线学习》，（第20届ACM SIGKDD国际知识发现和数据挖掘会议论文集（2014），ACM），701-710
[16] 格罗弗，A。；Leskovec，J.，node2vec：网络的可扩展特征学习，（第22届ACM SIGKDD国际知识发现和数据挖掘会议论文集（2016），ACM），855-864
[17] Lin，Y。；刘，Z。；卢安，H。；孙，M。；Rao，S。；Liu，S.，知识库表示学习的关系路径建模，arXiv预印本
[18] Chang，S。；Zhang，Y。；Han，W。；Yu，M。；郭，X。；Tan，W。；崔，X。；Witbrock，M。；Hasegawa-Johnson，文学硕士。；Huang，T.S.，扩张递归神经网络，（神经信息处理系统进展（2017）），76-86
[19] 科洛伯特，R。；Weston，J.，《自然语言处理的统一架构：具有多任务学习的深层神经网络》（第25届机器学习国际会议论文集（2008），ACM），160-167
[20] 谢瑞。；刘，Z。；贾，J。；卢安，H。；Sun，M.，具有实体描述的知识图的表示学习，（AAAI（2016）），2659-2665
[21] 范，M。；周，Q。；郑天富。；Grishman，R.，带实体描述的知识图的分布式表示学习，模式识别。莱特。(2016)
[22] 加德纳，M。；Mitchell，T.M.，《使用子图特征提取实现高效且富有表现力的知识库》（EMNLP（2015）），1488-1498
[23] 老挝，N。；米切尔，T。；Cohen，W.W.，《大规模知识库中的随机行走推理和学习》（自然语言处理经验方法会议论文集（2011），计算语言学协会），529-539
[24] 韩，X。；张，C。；郭，C。；纪毅，图嵌入递归神经网络的推广，（太平洋亚洲知识发现与数据挖掘会议（2018），施普林格），247-259
[25] Bordes，A。；韦斯顿，J。；科洛伯特，R。；Bengio，Y.，《知识库的学习结构化嵌入》（AAAI，第6卷（2011）），6
[26] Neelakantan，A。；Chang，M.-W.，推断缺失实体类型实例以完成知识库：新数据集和方法，arXiv预打印
[27] Xiao，H。；黄，M。；孟，L。；Zhu，X.，Ssp：嵌入文本描述的知识图语义空间投影，（AAAI（2017）），3104-3110
[28] 马，S。；丁，J。；贾伟。；王凯。；Guo，M.，Transt:基于类型的多嵌入表示用于知识图完成，（欧洲机器学习和数据库知识发现联合会议（2017），Springer），717-733
[29] 谢，R。；刘，Z。；Chua，T.-s。；卢安，H。；Sun，M.，图像体现的知识表示学习，arXiv预印本
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。