返回
Direction-Aware Attentive Hypergraph Learning for Knowledge Graph Completion
DOI:10.1007/978-981-95-5640-3_5.png)
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
IF:
0
论文数:
32
被引数:
0
机构
引用论文
Knowledge graph embedding with entity attributes using hypergraph neural networks基于超图神经网络的知识图谱嵌入与实体属性

