.png){kind=icon}
返回
Concept-driven representation learning model for knowledge graph completion
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2024.126297.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识图谱补全（KGC）旨在通过预测缺失的实体或关系来解决知识图谱（KG）不完整的问题。基于表示学习的方法在KGC中表现出良好的性能。然而，当前研究主要关注学习单个实体的语义表示，常常忽略了实体集的作用。为解决这一问题，我们提出了一种新的表示学习模型，通过利用实体集的内部相关性和外部相关性来增强实体的表示能力。具体而言，我们将受特定关系约束的实体集视为概念，并构建同概念实体集和异概念实体集。随后，我们从这些不同的概念集中选取正负样本对进行对比学习，以获取实体的基础表示。在此基础上，我们进一步利用同概念集中实体与集合中心的相似性，以及具有特定关系的两个同概念集之间的相似性，来优化实体的综合表示。实验表明，我们模型学习的综合表示在五个基准数据集的KGC任务中取得了准确的结果。与其他当前最优模型相比，我们的模型展现出显著优势。
Keyword:
Knowledge graph
Knowledge graph completion
Contrastive learning
Representation learning
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
暂无机构信息
.png){kind=icon}
