研究论文

CA-WGE：一种结合常识感知的基于双视图图神经网络的知识图补全方法

作者:

世界环境学会关,

小如廉，以及

锂妈妈作者信息和声明

AIPR’23：2023年第6届人工智能和模式识别国际会议记录

2023年9月

页1382-1389

https://doi.org/10.1145/3641584.3641793

出版:2024年6月14日出版历史

获取访问权限

摘要

知识图完备算法可以使知识图更加完备，是目前人工智能领域的研究热点。知识图完成模型主要从反例生成方式、评分函数设计和损失函数设计三个方面进行定义。以往的知识图完成模型仅依赖于事实视图数据来预测实体之间缺失的链接，而忽略了有价值的常识知识，并且在知识图嵌入技术中存在无效的负采样；另一方面，现有的基于图神经网络的知识图嵌入模型主要考虑捕捉实体周围的图结构，而关系表示仅用于更新实体嵌入，这可能会遗漏关于潜在有用信息的关系结构的潜在有用信息。为了应对上述挑战，本文提出了一种结合常识感知的基于二视图图神经网络的知识图完成模型。首先使用实体概念从事实三元组中自动提取公共知识，以促进高质量的负采样，然后将正三元组和加权负三元组输入到基于二视图图神经网络的知识图嵌入模型中，以捕获以实体和关系为中心的图结构，并学习实体和关系的向量表示，然后将学习到的实体和关系表示送入加权得分函数，以返回最终得分。对FB15K、FB15K237、NELL995和DBpedia-242四个数据集的广泛实验和消融研究表明，与最先进的模型相比，该模型取得了更好的性能。

工具书类

[1]

Kurt Bollacker、Georg Gottlob和Sergio Flesca.2008。Freebase：一个协作创建的图形数据库，用于构建人类知识。《2008年ACM SIGMOD国际数据管理会议记录》，第1247-1250页。

[2]

延斯·莱曼（Jens Lehmann）、罗伯特·伊塞莱（Robert Isele）、马克斯·雅各布（Max Jakob）、安妮娅·詹茨奇（Anja Jentzsch）、迪米特里斯·康托科斯塔斯（Dimitris Kontokostas）、巴勃罗·门德斯（Pablo N.Mendes）、塞巴斯蒂安·赫尔曼（Sebastian Hellmann）。2015。数据库警报量表，从维基百科中提取的多语言知识库。语义网，6（2）：167-195。

[3]

T.Mitchell、W.Cohen、E.Hruschka和2018.永无止境的学习。ACM通讯，61（5）：103–115。

数字图书馆

[4]

Schlichtkrull，M.，Kipf，T.，Bloem，P.，Berg，R.v.d.，Titov，I.，Welling，M.：用图卷积网络建模关系数据。In:ESWC。第593–607页（2018年）

[5]

Vashishth，S.、Sanyal，S.，Nitin，V.、Talukdar，P.：基于组合的多关系图卷积网络。In:ICLR（2020）

[6]

Kipf，T.N.，Welling，M.：图卷积网络的半监督分类。致：ICLR（2017）

[7]

路易斯·加拉加（Luis Galárraga）、克里斯蒂娜·特弗利乌迪（Christina Teflioudi）、卡贾·霍斯（Katja Hose）和费比安·苏查内克（Fabian Suchanek）。2015.使用amie+在本体知识库中进行快速规则挖掘。VLDB杂志，24（6）：707–730。

数字图书馆

[8]

Ali Sadeghian、Mohammadreza Armandpour、Patrick Ding和Daisy Zhe Wang。2019.Drum:基于知识图的端到端可微规则挖掘。第三十三届神经信息处理系统会议记录。

[9]

克里斯蒂安·梅利克（Christian Meilicke）、梅利萨彻夫·乌达格·契科尔（Melisachew Wudage Chekol）、丹尼尔·鲁芬内利（Daniel Ruffinelli）和海纳·斯塔肯施密特（Heiner Stuckenschmidt）。2019.任何时候自下而上的规则学习，以完成知识图。《第二十八届国际人工智能联合会议记录》，第3137-3143页。

[10]

Ni Lao、Tom Mitchell和William W.Cohen。2011.大规模知识库中的随机行走推理和学习。《2011年自然语言处理实证方法会议论文集》，第529-539页。

[11]

刘伟余（Weiyu Liu）、安吉尔·达鲁纳（Angel Daruna）、兹索特·基拉（Zsolt Kira）和索尼娅·切尔诺娃（Sonia Chernova）。2020.关注类型层次结构的路径排名。第三届AAAI人工智能会议论文集，2893–2900页。

[12]

熊文翰（Wenhan Xiong）、黄体恩（Thien Hoang）和王威廉（William Y ang Wang）。2017.DeepPath：知识图推理的强化学习方法。《2017年自然语言处理实证方法会议记录》，第564-573页。

[13]

习维多莉亚·林（Xi Victoria Lin）、理查德·索彻（Richard Socher）和熊才明（Caiming Xiong）。2018年。带奖赏成形的多跳知识图推理。《2018年自然语言处理实证方法会议记录》，第3243–3253页。

[14]

Antoine Bordes、Nicolas Usunier、Alberto Garcia-Duran、Jason Weston和Oksana Y akhnenko，2013年。转换用于建模多关系数据的嵌入。在第27届神经信息处理系统年会的处理中，第2787-2795页。

[15]

马克西米利安·尼克尔（Maximilian Nickel）、沃尔克·特雷普（V olker Tresp）和汉斯·彼得·克里格尔（Hans-Peter Kriegel）。2011.多关系数据集体学习的三方模型。《第28届机器学习国际会议论文集》，第809-816页。

[16]

Théo Trouillon、Johannes Welbl、Sebastian Riedel、Éric Gaussier和Guillaume Bouchard。2016年，简单链接预测的复杂嵌入。第33届机器学习国际会议论文集，第2071–2080页。

[17]

孙志清、邓志宏、聂建云和汤健。2019.RotatE：通过复杂空间中的关系旋转嵌入知识图。学习代表国际会议论文集。

[18]

张占秋、蔡建宇、张永东和王杰。2020年。学习用于链接预测的层次软件知识图嵌入。《AAAI人工智能会议记录》，第3065-3072页。

[19]

王震、张建文、冯建林和郑晨。2014.通过在超平面上平移嵌入知识图。《AAAI人工智能会议记录》，第1112-1119页。

[20]

蔡利伟和王威廉。2018年，KBGAN：知识图嵌入的对抗性学习。计算语言学协会北美分会2018年会议记录：人类语言技术，第1卷（长篇论文），第1470-1480页。

[21]

是的。王，Y。刘、H.张和H.谢。2019b年。利用词汇语义信息学习基于概念的多重嵌入表示，以完成知识图。在APWeb-WAIM中，第382-397页。

[22]

KrompaßDenis、Stephan Baier和V olker Tresp。2015。知识图中的类型约束表示学习。第14届语义网国际会议论文集-ISWC 2015-V卷9366，第640-655页。

[23]

张永琪、姚全明、邵英霞和陈雷。2019b年。扫描：用于知识图嵌入的简单有效的负采样。2019年IEEE第35届国际数据工程会议，第614-625页。

[24]

李泽龙、季建超、傅作慧、葛英强、徐树元、陈冲和张永丰。2021。高效的非抽样知识图嵌入。《2021年网络会议记录》，第1727-1736页。

数字图书馆

[25]

王震、张建文、冯建林和郑晨。2014.通过在超平面上平移嵌入知识图。《AAAI人工智能会议记录》，第1112-1119页。

[26]

Antoine Bordes、Nicolas Usunier、Alberto Garcia-Duran、Jason Weston和Oksana Y akhnenko，2013年。转换用于建模多关系数据的嵌入。在第27届神经信息处理系统年会的处理中，第2787-2795页。

[27]

Kristina Toutanova和Danqi Chen。2015.知识库和文本推理的观察特征与潜在特征。在关于连续向量空间模型及其组成的第三次研讨会论文集，第57-66页。

[28]

熊文翰（Wenhan Xiong）、黄体恩（Thien Hoang）和王威廉（William Y ang Wang）。2017.DeepPath：知识图推理的强化学习方法。《2017年自然语言处理实证方法会议记录》，第564-573页。

[29]

延斯·莱曼（Jens Lehmann）、罗伯特·伊塞莱（Robert Isele）、马克斯·雅各布（Max Jakob）、安妮娅·詹茨奇（Anja Jentzsch）、迪米特里斯·康托科斯塔斯（Dimitris Kontokostas）、巴勃罗·门德斯（Pablo N.Mendes）、塞巴斯蒂安·赫尔曼（Sebastian Hellmann）。2015.Dbpedia——从维基百科中提取的大规模、多语言知识库。语义网，6（2）：167-195。

[30]

Nguyen，D.Q.，Nguyem，T.D.，Phung，D.：四元数图神经网络。输入：ACML（2021）

建议

基于混合曲率多关系图神经网络的知识图生成
WWW’21：2021年网络会议记录

知识图（KG）已逐渐成为许多人工智能应用程序的宝贵资产。在KG中，节点表示实体，边（或链接）表示节点表示的实体之间的关系。知识图完成推断和。。。
阅读更多信息
用于知识图完成的二视图图神经网络
语义Web
摘要
我们提出了一种有效的基于图神经网络（GNN）的知识图嵌入模型，即WGE，用于捕获以实体和关系为中心的图结构。给定一个知识图，WGE构建一个单一的无向实体聚焦图。。。
阅读更多信息
用于知识图补全的多关系图注意力网络
摘要
知识图是包含大量实体和关系的多关系数据。作为一种有效的基于深度学习的图形表示技术，图形神经网络在建模方面表现出了优异的性能。。。
阅读更多信息

评论

信息和贡献者

问询处

发布于

封面图片ACM其他会议

AIPR’23：2023年第六届人工智能和模式识别国际会议论文集

2023年9月

1540页

国际标准图书编号：9798400707674

内政部：10.1145/3641584

版权所有©2023 ACM。

允许制作本作品的全部或部分数字或硬拷贝供个人或课堂使用，但不收取任何费用，前提是复制品的制作或分发不是为了盈利或商业利益，并且复制品在首页注明本通知和完整引文。必须尊重作者以外的其他人对本作品组成部分的版权。允许用信用证进行摘要。要以其他方式复制或重新发布，在服务器上发布或重新发布到列表，需要事先获得特定许可和/或付费。从请求权限[电子邮件保护].

出版商

计算机协会

美国纽约州纽约市

出版历史

出版：2024年6月14日

权限

请求对此文章的权限。

检查更新

作者标记

限定符

研究文章
研究
推荐有限公司

会议

AIPR 2023年

AIPR 2023:2023第六届人工智能和模式识别国际会议

2023年9月22日至24日

中国厦门

贡献者

其他指标

查看文章指标

文献计量学和引文

文献计量学

文章指标

0
引文总数
2
总下载次数

下载次数（过去12个月）2
下载次数（最近6周）2

其他指标

查看作者指标

引文

视图选项

获取访问权限

登录选项

检查您是否可以通过登录凭据或您的机构访问本文。

完全访问权限

获取此出版物

查看选项

PDF格式

以PDF文件查看或下载。

电子阅读器

使用联机查看电子阅读器.

电子阅读器

HTML格式格式

在中查看本文HTML格式格式。

媒体

数字

其他

桌子