.png){kind=icon}
返回
Adaptive Modality Interaction Transformer for Multimodal Knowledge Graph Completion
.png){kind=icon}
PRE
AI
DOI：10.1145/3760786.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识图谱（KGs）经常面临不完整性这一挑战，该问题同样存在于多模态知识图谱（MKGs）中。多模态知识图谱补全（MKGC）的主要目标是预测MKGs中缺失的实体。然而，当前MKGC方法在充分处理模态偏好和模态信息不平衡方面存在困难。为克服这些问题，我们提出了AdaMKGC，一种创新的混合模型，集成了自适应模态交互Transformer。该模型采用动态注意力交互策略和自增强采样方法。AdaMKGC通过将模态偏好信息整合到模态交互中，实现了对多模态信息更精确的利用。此外，它通过针对信息不足实体的定向采样和调整，有效缓解了模态不平衡问题。实验评估表明，AdaMKGC在克服这些常见挑战方面表现出卓越性能。与现有的MKGC模型相比，AdaMKGC在WN18-IMG数据集上的MR指标提升了28%，在FB15k-237-IMG数据集上的Hits@1指标提升了2.7%。我们的代码可在https://github.com/HubuKG/AdaMKGC获取。
.png){kind=icon}
