.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
知识图谱嵌入（KGE）通常用于链接预测，以自动预测知识图谱中缺失的链接。当前的KGE模型主要基于复杂的数学关联，虽然表达能力很强，但忽略了经典的双线性翻译模型TransE背后的统一性，该模型将知识图谱中的所有实体嵌入到统一空间中，从而实现精确的嵌入。本研究分析了TransE的统一性，并提出了一种新型的KGE模型ConvUs，该模型在保持统一性的同时兼具表达能力。基于卷积神经网络（CNN），ConvUs对卷积滤波器值提出了约束，并采用了一种多层、多尺度的CNN架构，结合非参数化的基于L2范数的评分函数来计算三元组得分。这解决了现有基于CNN的KGE模型中潜在的统一性相关问题，使ConvUs能够在保持统一嵌入空间的同时，受益于CNN的强大表达能力。此外，通过应用循环卷积来缓解潜在的有序性矛盾，使ConvUs更适合在统一空间中进行KGE。在链接预测基准WN18RR和FB15k-237上，我们的模型优于基线模型ConvKB和其他基线模型，显示出强大的适用性和泛化能力，表明高表达力的嵌入空间统一性能够实现更高效的知识图谱嵌入。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息