.png){kind=icon}
返回
A lightweight knowledge reasoning method for large-scale knowledge graphs
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-026-08447-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统图注意力网络（GAT）在部署于知识推理任务时表现出固有限制，特别是在处理大规模图数据和高性能计算（HPC）需求方面。为解决这些挑战，我们提出了一种用于知识推理的轻量级GAT模型。首先，为缓解图规模带来的约束并实现高效的节点表示学习，我们引入了一种反向索引查询方法，以高效地从大型知识库中选择三元组来构建目标子图。然后，为进一步提升GAT的计算效率，我们设计了一种轻量级方法，该方法集成了多级知识蒸馏和训练后参数量化，同时确保模型性能并减少模型参数和内存使用。实验结果表明，我们的模型具有卓越的性能，并且相较于其他基准模型，在实时计算效率方面展现出显著提升。
Keyword:
GAT
Inverted index
Knowledge distillation
Parameter quantization
期刊
T
IF:
0
论文数:
647
被引数:
0
机构
查看更多机构
引用论文
Knowledge graph embedding with inverse function representation for link prediction基于逆函数表示的知识图谱嵌入用于链接预测
.png){kind=icon}
PREAI
分享收藏Combining deep learning and ontology reasoning for remote sensing image semantic segmentation融合深度学习与本体推理的遥感图像语义分割
PREAI
分享收藏
没有更多内容