.png){kind=icon}
返回
Dual-context enhanced knowledge representation learning method in hyper-relational knowledge graphs
.png){kind=icon}
OA
AI
DOI：10.1007/s40747-025-02003-7.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在超关系知识图谱（HKGs）中，利用限定词学习有效的知识表示可以提高任务精度。大多数方法为限定词和三元组使用共享嵌入，这忽略了它们的不同作用并导致语义混淆，而HKGs的独特结构引入了复杂语境，使得深入探索语义成为挑战。因此，提供独立表示并有效整合上下文信息至关重要。为此，提出了一种双语境增强知识表示学习（DC-IRE）模型以解决这些挑战。首先，根据实体和关系在三元组及限定词中的特定角色，学习多个独立向量，确保表示适应不同语境并消除潜在的语义混淆。然后，对HKGs中不同语境下提取的特征进行对齐和整合，以改进关系的简单更新过程，因为关系是连接整个图谱的关键桥梁。为此，将HKGs转换为关系子图，这有助于提取语义和实体类型语境特征。该操作解决了大多数方法忽视关系表示学习的问题，这些方法通常仅使用参数矩阵进行更新，而未考虑HKGs中的关键信息。最后，通过采用关系增强模块和多任务优化，实现了具有独特语义的实体和关系的区分，从而增强了模型的学习能力。DC-IRE模型的有效性通过链接预测任务得到验证，在多个数据集上的实验显示，其MRR指标相较于基线模型最高提升了13%。
Keyword:
Hyper-relational knowledge graph
Representation learning
Contrastive learning
Link prediction
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.6
论文数:
2.1K
被引数:
6.6K
机构
引用论文
Survey on English Entity Linking on Wikidata: Datasets and approaches维基数据上的英文实体链接调查: 数据集和方法.png)
SEMANTIC WEB
OAAI
SEMANTIC WEBIF2.9
OAAI分享收藏Give us the Facts: Enhancing Large Language Models With Knowledge Graphs for Fact-Aware Language Modeling给我们事实: 使用知识图增强大型语言模型，以实现事实感知的语言建模OAAI
OAAI分享收藏InteractE: Improving Convolution-Based Knowledge Graph Embeddings by Increasing Feature InteractionsOAAI
OAAI分享收藏
查看更多内容