arrow
返回

Direction-Aware Attentive Hypergraph Learning for Knowledge Graph Completion

delete2026-01-01
delete0
PRE
AI
N
Nie, Haojie
Z
Zhao, Xiangguo *
B
Bi, Xin
Y
Yao, Xin
S
Sun, Yongjiao
L
Lv, Zhixin
DOI:10.1007/978-981-95-5640-3_5delete
delete原文链接
delete原文求助
delete分享
delete收藏
摘要

摘要

En 中文
知识图谱(KG)补全,作为语义推理和AI应用的基础,绝大多数方法仅考虑二元关系的学习。现实世界知识本质上为N元关系,超过61%的Freebase关系涉及三个或更多实体。超图能有效建模N元关系,但现有方法将超边视为无向连接并平等传播所有实体信息,导致两个局限性:(1)混淆知识流向方向,导致缺乏因果链推理逻辑;(2)这种无向性严重损害度数较低(<3邻居)的实体,使其遭受无关信息聚合和不完整上下文整合。为解决这些局限性,我们提出方向感知注意力超图(DAHG)网络,通过方向感知超边保留知识流向方向,并借助全局上下文捕获隐式交互信息以注入低度数实体。我们在两个基准知识图谱数据集(WN18NN和FB5K-237)上进行对比实验,结果表明DAHG优于其他当前最先进的补全方法,从而证明其有效表达N元有向知识的能力。
Keyword:
Knowledge graph
Hypergraph
knowledge graph completion

期刊

W
WEB AND BIG DATA, APWEB-WAIM 2025, PT I
IF:
0
论文数:
32
被引数:
0

机构

N
northeastern university - china
学者数:
3.1W
论文数: 2.7W
被引数: 37
引用论文

引用论文

err分享
err收藏
Representing Text for Joint Embedding of Text and Knowledge Bases
err2015-01-01
err0
errOAAI
errKristina Toutanova; Danqi Chen; Patrick Pantel; Hoifung Poon; Pallavi Choudhury; Michael Gamon
err分享
err收藏
Modeling Relational Data with Graph Convolutional Networks基于图卷积网络的关系数据建模
err2018-06-03
err0
PREAI
errMichael Schlichtkrull; Thomas N. Kipf; Peter Bloem; Rianne van den Berg; Ivan Titov; Max Welling
err分享
err收藏
Directed hypergraphs and applications
err1993-04-01
err0
errOAAI
errGiorgio Gallo; Giustino Longo; Stefano Pallottino; Sang Nguyen
err分享
err收藏
学者 查看更多内容