12.(2022.5.4)ACL-SimKGC:基于PLM的简单对比KGC 12.(2022.5.4)ACL-SimKGC:基于PLM的简单对比KGC 摘要 1.引言 2.相关工作 2.1 知识图补全(KGC) 2.2 预训练语言模型(PLM) 2.3 对比学习 3.模型方法 3.1 符号 3.2 模型结构 3.3 负采样 3.3.1 批内负采样(IB) 3.3.2 批前负采样(PB) 3.3.3 自我负采样(SN) 3.3.4 负采样处理 3.4 基于图的重排序 3.5 训练和推断 摘要 知识

论文标题:Mask and Reason: Pre-Training Knowledge Graph Transformers for Complex Logical Queries 论文地址: https://arxiv.org/abs/2208.07638 论文会议: KDD 2022 17.(2022.8.16)KDD-kgTransformer:复杂逻辑查询的预训练知识图谱Transformer 17.(2022.8.16)KDD-kgTransformer:复杂逻辑查询的预训练知识图谱

MorsE:归纳知识图嵌入的元知识迁移 论文题目: Meta-Knowledge Transfer for Inductive Knowledge Graph Embedding 论文地址: https://scholar.archive.org/work/soegy2qe5jbbxbzdwrpgjvmhba/access/wayback/https://dl.acm.org/doi/pdf/10.1145/3477495.3531757 论文会议: ACM SIGIR 2022 目录 13.(

IJCAI-TEMP:知识图谱上多跳推理的类型感知嵌入 论文地址: Type-aware Embeddings for Multi-Hop Reasoning over Knowledge Graphs IJCAI-TEMP:知识图谱上多跳推理的类型感知嵌入 摘要 1.引言 2.相关工作 2.1 查询嵌入(QE) 2.2 基于路径的方法 2.3 归纳式KGC 2.4 类型感知任务 3.背景 4.语义丰富嵌入 4.1 TER:类型感知的实体表示 4.2 TRR:类型感知的关系表示 4.2.1 St

PKGC:预训练模型是否有利于KGC?可靠的评估和合理的方法 论文地址:Do Pre-trained Models Benefit Knowledge Graph Completion? A Reliable Evaluation and a Reasonable Approach 目录 PKGC:预训练模型是否有利于KGC?可靠的评估和合理的方法 摘要 1.引言 2.相关工作 2.1 评估KGC 2.2 KGC模型 2.2.1 基于嵌入的KGC模型 2.2.2 基于PLM的KGC模型 2.2.

CAKE:用于多视图KGC的可扩展常识感知框架.pdf 论文地址:CAKE:Scalable Commonsense-Aware Framework For Multi-View Knowledge Graph Completion CAKE:用于多视图知KGC的可扩展常识感知框架.pdf 摘要 1.引言 2.相关工作 2.1 KGC模型 2.2 KGE的负采样 2.3 常识KG 3.模型方法 3.1 符号和问题形式化 3.1.1 常识 3.1.2 KGE评价函数 3.1.3 链接预测 3.2

16.(2022)Chip-BCKG-基于临床指南的中国乳腺癌知识图谱的构建与应用 论文标题: Construction and Application of Chinese Breast Cancer Knowledge Graph Based on Clinical Guidelines 论文会议: Chip 16.(2022)Chip-BCKG-基于临床指南的中国乳腺癌知识图谱的构建与应用 摘要 1.引言 2.相关工作 2.1 知识提取 2.2 医学KG 3.乳腺癌知识图谱构建 3.1 本

论文标题: Mining On Alzheimer's Diseases Related Knowledge Graph to Identity Potential AD-related Semantic Triples for Drug Repurposing 论文地址: https://arxiv.org/pdf/2202.08712 论文期刊: BMC Bioinformatics 2022 9.(2022.2.17)BMC Bioinformatics-挖掘阿尔茨海默病相关KG来确定潜在

知识图谱综述(2021.4) 论文地址:A Survey on Knowledge Graphs: Representation, Acquisition, and Applications 目录 知识图谱综述(2021.4) 摘要 1.简介 2.概述 3.知识表示学习(KRL) 3.1 表示空间 3.1.1 点空间 3.1.2 复向量空间 3.1.3 高斯分布 3.1.4 流形和群 3.2 评分函数 3.2.1 基于距离的评分函数 3.2.2 基于语义匹配的评分函数 3.3 编码模型 3.3.

4.(2021.6.24)Briefings-生物信息学中的图表示学习:趋势.方法和应用 论文标题: Graph representation learning in bioinformatics: trends, methods and applications 论文期刊: Briefings in Bioinformatics 2021 论文地址: https://www.researchgate.net/profile/Haicheng-Yi/publication/354327323_G

MSTE: 基于多向语义关系的有效KGE用于多药副作用预测 论文标题: Effective knowledge graph embeddings based on multidirectional semantics relations for polypharmacy side effects prediction 论文期刊: Bioinformatics 2021 MSTE: 基于多向语义关系的有效KGE用于多药副作用预测 摘要 1.引言 2.相关工作 2.1 KGE 2.2.1 基于平移的

作者:Lingbing Guo.Qingheng Zhang.Weiyi Ge.Wei Hu.Yuzhong Qu 2018 年 8 月 14-17 日,主题为「知识计算与语言理解」的 2018 全国知识图谱与语义计算大会(CCKS 2018)在天津成功举办.该会议是由中国中文信息学会语言与知识计算专委会定期举办的全国年度学术会议,并致力于成为国内知识图谱.语义技术.链接数据等领域的核心会议.本届会议的最佳英文论文来自南京大学计算机软件新技术国家重点实验室和信息系统工程重点实验室,提出了一种用于

实体关系推理与知识图谱补全 Unsupervised Person Slot Filling based on Graph Mining 作者:Dian Yu, Heng Ji 机构:Computer Science Department, Rensselaer Polytechnic Institute 本文的任务为槽填充(Slot Filling),即从大规模的语料库中抽取给定实体(query)的被明确定义的属性(slot types)的值(slot fillers).对于此任务,本文叙述目

1 导引 在知识图谱领域,最重要的任务之一就是实体对齐 [1](entity alignment, EA).实体对齐旨在从不同的知识图谱中识别出表示同一个现实对象的实体.如下图所示,知识图谱\(\mathcal{G}_1\)和\(\mathcal{G}_2\)(都被虚线框起来)是采自两个大型知识图谱Wikida和DBpedia的小子集.圆角矩形框表示实体,方角矩形表示属性值.圆角矩形之间的箭头代表一个关系谓词(relation predicate),而这就进一步形成了关系元组,如\((\text

知识图谱实体对齐2:基于GNN嵌入的方法 1 导引 我们在上一篇博客<知识图谱实体对齐1:基于平移(translation)嵌入的方法>中介绍了如何对基于平移嵌入+对齐损失来完成知识图谱中的实体对齐.这些方法都是通过两个平移嵌入模型来将知识图谱\(\mathcal{G}_1\)和\(\mathcal{G}_2\)的重叠实体分别进行嵌入,并加上一个对齐损失来完成对齐.不过,除了基于平移的嵌入模型之外,是否还有其它方式呢? 答案是肯定的.目前已经提出了许多基于GNN的实体对齐方法[1],这些方法不

论文题目: ERNIE: Enhanced Language Representation with Informative Entities(THU/ACL2019) 本文的工作也是属于对BERT锦上添花,将知识图谱的一些结构化信息融入到BERT中,使其更好地对真实世界进行语义建模.也就是说,原始的bert模型只是机械化地去学习语言相关的“合理性”,而并学习不到语言之间的语义联系,打个比喻,就比如掉包xia只会掉包,而不懂每个包里面具体是什么含义.于是,作者们的工作就是如何将这些额外的知识告诉

本文作者:杨昆霖,2015级本科生,目前研究方向为知识图谱,推荐系统,来自中国人民大学大数据管理与分析方法研究北京市重点实验室. 引言 经常上购物网站时,注意力会被首页上的推荐吸引过去,往往本来只想买一件小商品,但却被推荐商品耗费不少时间与金钱.有时候会在想,虽然推荐商品挺吸引人的,但是它究竟为什么给出这些推荐,背后的原因却往往不得而知.本文将介绍的这篇SIGIR 2018论文提出了新的序列化推荐模型KSR(Knowledge-enhanced Sequential Recommender),利

目录 分为两个部分,笔者看到的知识图谱在商业领域的应用,外加看到的一些算法框架与研究机构. 文章目录 @ 一.知识图谱商业应用 01 唯品金融大数据 02 PlantData知识图谱数据智能平台 03 拍拍贷图数据库技术 04 CN-DBpedia 05 OpenKG.CN--开放的中文知识图谱 06 楚辞 07 海致大数据 08 腾讯云星图 09 网感至察 10 慧科技术 - 商业AI(NLP + 品牌Logo识别) 二.相关科研机构与算法框架 2.1 复旦大学 Knowledge Works

自然语言表征模型最近受到非常多的关注,很多研究者将其视为 NLP 最重要的研究方向之一.例如在大规模语料库上预训练的 BERT,它可以从纯文本中很好地捕捉丰富的语义模式,经过微调后可以持续改善不同 NLP 任务的性能.因此,我们获取 BERT 隐藏层表征后,可用于提升自己任务的性能. 但是,已有的预训练语言模型很少考虑知识信息,具体而言即知识图谱(knowledge graphs,KG),知识图谱能够提供丰富的结构化知识事实,以便进行更好的知识理解.简而言之,预训练语言模型只知道语言相关的「合理

语义网的愿景活跃且良好,广泛应用于行业 语义网的愿景是「对计算机有意义」的数据网络(正如 Tim Berners Lee.James Hendler 和 Ora Lassila 在<科学美国人>发表的文章<The Semantic Web>所介绍的那样).ISWC 是共享这一愿景的研究人员和工程师组成的社区:他们通过发表研究论文的形式作出贡献,目的是让这一愿景成为现实.具体而言,语义网研究人员的方法是创建知识图谱,这种数据结构的实体由 URL 进行唯一标识,并使用 RDF 语言通过