.png){kind=icon}
返回
JGURD: joint gradient update relational direction-enhanced method for knowledge graph completion
.png){kind=icon}
OA
AI
DOI：10.7717/peerj-cs.2808.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
关系方向在多关系知识图谱（KGs）中扮演着重要角色。当前知识图谱补全（KGC）方法存在对关系相关性信息利用不足的问题。为解决这一问题，本文提出了一种新型KGC框架，即JGURD，该框架采用编码器-解码器结构实现基于关系方向信息的联合梯度更新。它结合了图卷积网络（GCNs）与知识图谱嵌入方法，定义了实体和关系的联合梯度更新机制。为将实体信息融入关系的更新中，记录了三元组得分函数的前向传播梯度，并将实体梯度信息融合到关系的更新中。为充分利用关系方向信息，基于关系对的拓扑模式构建了关系相关性图（RCG）。我们在RCG上设计了结合GCN和多层注意力机制的多关系编码器，以全面捕捉RCG的局部和全局结构。为增强JGURD的可解释性和适应性，采用了三种不同的解码器。实验结果表明，JGURD优于第二名HHAN-KGC，在FB15k数据集上的Hits@3和MRR指标分别提升了6.8%和8.9%。
Keyword:
Knowledge graph completion
Graph neural networks
Joint gradient update
Link prediction
Relational direction
Encoder-decoder
Multi-relational graph
期刊
IF:
2.5
论文数:
3.4K
被引数:
6.9K
机构
引用论文
DBpedia - A large-scale, multilingual knowledge base extracted from WikipediaDBpedia-从维基百科中提取的大规模多语言知识库.png)
SEMANTIC WEB
OAAI
SEMANTIC WEBIF2.9
OAAI分享收藏Multi-relational knowledge graph completion method with local information fusionAPPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏Novel translation knowledge graph completion model based on 2D convolutionAPPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏分享收藏分享收藏分享收藏
查看更多内容