.png){kind=icon}
返回
Gradient-decomposition based continual embedding method for growing knowledge graphs
.png){kind=icon}
PRE
AI
DOI：10.1007/s13042-026-02997-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现有知识图谱（KG）嵌入模型通常被设计用于促进静态KG的表示学习。然而，KG往往随时间演化和扩展，现有方法无法适应不断增长的KG。如何从新事实中获取有用信息并将其注入先前学习到的嵌入中，对于有效表示增长型KG至关重要但具有挑战性。在本文中，我们提出了一种知识图谱的持续嵌入方法，以高效地从新三元组中学习信息并克服现有三元组的灾难性遗忘问题。通过将嵌入模型的总体损失划分为先前三元组集和新到达三元组集上的损失，我们将持续嵌入任务转化为一个约束优化问题。随后，提出了一种巧妙的候选集分解和梯度分解策略，以高效训练持续嵌入模型。使用三个基准数据集评估所提出的方法的性能，结果表明其相比当前最优模型展现出优越的性能。
Keyword:
Growing knowledge graphs
Representation learning
Embedding
Continual learning
Incremental learning
期刊
IF:
2.7
论文数:
3.2K
被引数:
5.6K
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容