.png){kind=icon}
返回
A self-supervised method for learning path-augmented knowledge graph embedding
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.112315.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识图谱（KGs）由描述现实世界中实体间关系的事实三元组组成。知识图谱嵌入（KGE）旨在将实体和关系映射到持续的低维向量中，这对许多下游任务（例如，知识图谱补全和信息检索）至关重要。当前的KGE方法主要依赖于显式的结构模式，忽视了这些结构背后的潜在上下文语义，导致性能次优。虽然一些方法纳入了附加数据（例如，文本描述），但这些依赖关系由于附加数据要求而限制了适用性。此外，大多数KGE模型因稀疏的标记三元组而受到有限监督的制约，限制了它们学习全面语义特征的能力。
