返回
EXP-GNN: Towards expressive propagation function design for graph neural network-based knowledge graph completion
DOI:10.1016/j.eswa.2025.129957.png)
摘要
En 中文
• GNNs的注入性原理适用于单关系和多关系图。
• 现有表达性GNN传播函数可以直接扩展到KGC任务中。
• 更具表达力的GNN必然会产生更具表达力的基于GNN的KGC模型。
• 注入性和强邻居特征提取能力本质上是一致的。
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
暂无机构信息
引用论文
Graph attention network with dynamic representation of relations for knowledge graph completion具有动态关系表示的图注意网络用于知识图补全
A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic, and Multi-Modal关于图类型的知识图推理的综述: 静态,动态和多模态
A knowledge graph completion model based on triple level interaction and contrastive learning
PATTERN RECOGNITION
IF7.6
GS-InGAT: An interaction graph attention network with global semantic for knowledge graph completionGs-ingat: 一种用于知识图补全的具有全局语义的交互图注意力网络

