.png){kind=icon}
返回
Multi-granularity Multimodal Information Interaction for Knowledge Graph Completion
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-96-7008-6_6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
作为结构化知识表示，知识图谱（KGs）为各种下游任务提供丰富的语义信息和上下文理解。然而，其固有的不完整性问题显著影响了知识图谱应用的有效性。知识图谱补全（KGC）模型旨在预测缺失的三元组以解决此问题。传统的KGC方法主要利用结构信息，存在一定局限性。引入多样化的多模态数据可以为KGC任务补充更丰富的外部信息。现有的多模态方法主要关注优化融合机制。然而，将外部异构多模态数据与知识图谱对齐会引入不可避免的冗余，并可能造成噪声干扰。因此，我们提出了一种新颖的多模态知识图谱补全推理框架，具有多粒度多模态信息交互的特点，简称为MI2KGC。我们的框架缓解了模态冗余和异构性的影响，并进一步捕捉不同多模态表示之间的语义共性，显著实现了有竞争力的性能。我们在三个基准数据集上评估了模型。全面的实验证实了我们的MI2KGC框架在解决MKGC任务中的性能和有效性。
Keyword:
Multimodal Knowledge Graph
Knowledge Graph Completion
Link Prediction
Multimodal Alignment
期刊
N
IF:
0
论文数:
24
被引数:
0
机构
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
查看更多内容