.png){kind=icon}
返回
Knowledge graph representation learning: A comprehensive and experimental overview
.png){kind=icon}
OA
AI
DOI：10.1016/j.cosrev.2024.100716.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识图谱嵌入（KGE）是知识图谱（KG）领域的一个热门话题。它旨在将KG实体和关系转化为向量表示，以便在各种应用任务和现实场景中进行操作。迄今为止，在KGE领域已开发出众多用于执行KG嵌入的模型。然而，在设计有效的KGE模型时必须解决若干挑战。文献中讨论最多的挑战包括可扩展性（KG包含数百万实体和关系）、不完整性（缺失链接）、关系的复杂性（对称性、反转、组合等）以及某些实体和关系的稀疏性。本文的目的是对KGE模型进行全面概述。我们首先对迄今为止提出的用于生成KGE的现有方法进行理论分析和比较，并将其分为四类。随后，我们使用四个基准数据集进行实验，比较五种最新方法在链接预测任务中的有效性、效率、可扩展性、耗电量及二氧化碳排放量，并对文献中最常用的基准进行了全面分析。
Keyword:
Knowledge graphs
Knowledge graph embedding
Representation space
Link prediction
Scalability
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
12.7
论文数:
2.3K
被引数:
5.2K
机构
暂无机构信息
引用论文
Collaborative Knowledge Base Embedding for Recommender Systems.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏分享收藏Knowledge Graph Embedding: A Survey from the Perspective of Representation Spaces知识图谱嵌入: 表征空间视角的研究综述
OAAI
OAAI分享收藏An inductive knowledge graph embedding via combination of subgraph and type informationSCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Biomedical Text Link Prediction for Drug Discovery: A Case Study with COVID-19PHARMACEUTICSOAAI
PHARMACEUTICSIF5.5
OAAI分享收藏
查看更多内容