.png){kind=icon}
返回
Geometry fusion representation for knowledge graph completion using multi-view information bottleneck
.png){kind=icon}
PRE
AI
DOI：10.1007/s11280-025-01341-3.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（KGs）的固有不完备性促使知识图谱补全（KGC）领域产生了显著的研究进展，其核心前提在于利用现有知识推断未知信息并填补空白。大量研究聚焦于不同几何空间中的表示学习，包括欧几里得空间、双曲空间和球面空间。每种几何空间在建模知识图谱中不同的结构性和特征性元素方面具有独特优势，从而增强了发现和推理缺失知识的能力。鉴于每种空间在建模上的独特优势，当前正日益重视整合这些不同的几何空间。然而，现有的融合方法依赖简单的加权求和，未能充分聚焦于推理目标，且倾向于保留大量冗余信息。为解决这一问题，我们提出了基于多视角信息瓶颈的几何融合（MVIBGF）方法用于KGC。该方法采用多视角学习策略，将每个视角与独特的几何空间对齐，并应用信息瓶颈原理，在增强与推理目标之间的互信息的同时，最小化各视角内部的互信息。这一过程确保仅保留最显著且与推理相关的信息，从而提升知识整合的精度和效率。实验结果表明，MVIBGF优于现有KGC方法，验证了其在知识图谱建模中的鲁棒性和有效性。
Keyword:
Knowledge graph completion
Knowledge representation and reasoning
Geometry fusion
Multi-view information bottleneck
期刊
W
IF:
3.4
论文数:
57
被引数:
2.3K
机构
引用论文
.png){kind=icon}
Complex query answering over knowledge graphs foundation model using region embeddings on a lie group基于李群上的区域嵌入的知识图谱基础模型的复杂查询回答
PREAI
分享收藏
查看更多内容