.png){kind=icon}
返回
A framework fusing entity concepts and GAN negative sampling for improving knowledge reasoning
.png){kind=icon}
PRE
AI
DOI：10.1007/s10618-026-01207-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于知识图谱嵌入的知识推理依赖于负采样来提升训练质量。传统随机负采样方法常存在语义不匹配问题，生成的负样本与正样本距离过远，导致训练信号信息不足。尽管近期基于生成对抗网络（GAN）的方法尝试生成语义相关性更高、更具挑战性的负样本，但它们仍未能充分捕捉实体的概念上下文。为解决这些挑战，我们提出了一种基于概念引导生成采样范式（CGSP）的知识推理框架。该框架引入多层级概念知识引导对抗负采样。首先，通过将共享相同概念的实体分组构建概念级知识图谱，以减少概念模糊性。然后，基于对抗学习的生成器产生具有强语义相关性的候选负样本，并通过概念图谱过滤确保概念域内的一致性。同时，针对唯一和非唯一关系设计了不同的采样策略，以进一步缓解假负样本问题。最后，生成的优质负样本用于训练知识图谱嵌入模型。在五个代表性模型和六个真实数据集上的大量实验表明，所提出的方法显著提升了现有方法在性能和稳定性方面的表现。
Keyword:
Knowledge reasoning
Link prediction
Negative sampling
GAN
Concept converter
期刊
IF:
4.3
论文数:
221
被引数:
6.0K
机构
引用论文
Hybrid computing using a neural network with dynamic external memory使用具有动态外部存储器的神经网络进行混合计算.png)
NATURE
NATUREIF48.5
PREAI
分享收藏An integrated framework of deep learning and knowledge graph for prediction of stock price trend: An application in Chinese stock exchange market基于深度学习和知识图谱的股价走势预测集成框架 -- 在中国股票交易市场的应用
PREAI
分享收藏分享收藏
没有更多内容
没有更多内容