.png){kind=icon}
返回
Integrating entity description for enhanced temporal knowledge graph reasoning
.png){kind=icon}
PRE
AI
DOI：10.1007/s11280-026-01433-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
时空知识图谱通常是不完整的，表示学习技术可用于时空知识图谱推理。实体描述可以为时空知识图谱表示的学习提供重要的语义信息。大多数传统方法忽略了来自实体描述的有价值的语义信息，仅从结构化四元组中学习实体表示。本研究提出了一种增强实体描述的ED-mod时空知识图谱推理模型。它可以利用图结构和实体描述的信息来执行时空知识图谱推理任务。更具体地说，通过考虑实体名称和四元组关系类型，我们首先提取原始实体描述。然后，使用独特的Transformer网络从原始实体描述中提取准确的摘要数据。最后，我们采用BiLSTM来编码实体描述，以提取足够的语义信息。我们在时空知识图谱推理和实体分类任务上评估了ED-mod。根据实验结果，我们的模型在大多数指标上优于前沿基线。通过消融实验的分析，进一步证明了Transformer模型和四元组关系类型在实体描述提取中的高效性和重要性。
Keyword:
Entity descriptions
Knowledge graph embedding
Neural network
Semantic information
Temporal knowledge graph
期刊
W
IF:
3.4
论文数:
52
被引数:
2.3K
机构
引用论文
CTKGRec: A context-aware temporal knowledge graph reasoning model for next POI recommendationCTKGRec：一种用于下一个POI推荐的情境感知时序知识图谱推理模型
.png){kind=icon}
PREAI
分享收藏LogicENN: A Neural Based Knowledge Graphs Embedding Model With Logical RulesLogicENN: 一种基于神经的具有逻辑规则的知识图谱嵌入模型
OAAI
OAAI分享收藏A Blockchain-Empowered Federated Learning in Healthcare-Based Cyber Physical Systems基于医疗保健的网络物理系统中的区块链授权联合学习
PREAI
分享收藏
查看更多内容