.png){kind=icon}
返回
GAHE: Geometry-Aware Embedding for Hyper-Relational Knowledge Graph Representation
.png){kind=icon}
PRE
AI
DOI：10.1145/3733602.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识图谱已被证明在学习和表示实体与关系方面非常有效，超关系知识图谱（HKGs）因其增强的表示能力而受到越来越多的关注。HKG中的每个事实由一个主三元组加上提供额外上下文信息的属性-值限定符组成。由于超关系的复杂性，HKGs通常包含复杂的几何结构，如层次结构、环状结构和链状结构，这些结构常常混合在一起。然而，以往的工作主要将HKGs嵌入欧几里得空间，限制了它们同时捕捉这些复杂几何结构的能力。为解决这一挑战，我们提出了一种新型模型，称为几何感知超关系嵌入（GAHE）。具体而言，GAHE采用一种多曲率几何感知方法，在一个统一框架中将HKGs建模于欧几里得空间（零曲率）、双曲空间（负曲率）和高维球面空间（正曲率）中。通过这种方式，它可以整合空间不变和空间特定特征，以准确捕捉HKGs中的多样化结构。此外，GAHE引入了一个称为超关系子空间学习的模块，该模块为每个超关系分配多个子关系。它能够利用丰富的潜在语义交互，并促进在不同子空间中探索属性-值对与超关系之间的细粒度语义。此外，我们提供了理论保证，证明GAHE具有完全的表达能力，能够建模超关系的广泛语义模式。实证评估表明，GAHE在超关系和二元关系基准上都取得了最先进的结果。
Keyword:
hyper-relational knowledge graphs
geometry-aware embedding
multi-curvature space
hyper-relational subspace learning
semantic pattern modeling
.png){kind=icon}
