.png){kind=icon}
返回
A lightweight framework for knowledge graph representation learning models based on knowledge distillation strategy
.png){kind=icon}
OA
AI
DOI：10.1007/s40747-025-02064-8.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着传统知识图谱规模的持续扩大和研究的深入，模型设计日益复杂以增强知识表示能力。这不仅增加了所需的计算支持，也带来了显著的计算与存储开销，使得将知识图谱部署到终端设备成为一项重大挑战。为解决知识图谱表示学习模型在资源受限终端设备上部署时的高计算与存储成本问题，本文深入研究和提出了一种基于知识蒸馏技术的模型轻量化框架。该框架采用复杂高性能模型作为教师模型，低维模型作为学生模型。在教师模型的辅助下，可通过训练实现高维模型的轻量化，同时最大限度地减少性能损失。在四个通用数据集上对九种不同模型的实验验证了所提轻量化框架的科学性、有效性和实用性。
Keyword:
Knowledge graph
Knowledge graph representation learning model
Lightweighting
Knowledge distillation
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.6
论文数:
2.1K
被引数:
6.6K
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容