.png){kind=icon}
返回
Offline and online coupled tensor factorization with knowledge graph
.png){kind=icon}
PRE
AI
DOI：10.1371/journal.pone.0336100.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
如何准确地对不规则时间张量进行分解，同时结合相关知识图谱张量，在离线和在线流式设置中实现？PARAFAC2分解被广泛应用于分析由行大小变化的矩阵组成的不规则张量。在离线和在线流式场景中，现有的PARAFAC2方法主要关注捕获随时间演变的动态特征，因为数据不规则性通常源于时间变化。然而，这些方法往往忽略了静态特征，如基于知识的信息，这些特征在时间上保持不变。本文提出KG-CTF（基于知识图谱的耦合张量分解）和OKG-CTF（在线基于知识图谱的耦合张量分解）两种耦合张量分解方法，分别针对离线和在线流式设置，旨在有效捕获不规则张量中的动态和静态特征。为将知识图谱张量作为静态特征进行整合，KG-CTF和OKG-CTF通过共享公共轴将不规则时间张量与知识图谱张量耦合。此外，两种方法均采用关系正则化以保持知识图谱张量因子矩阵之间的结构依赖关系。为进一步提升收敛速度，我们采用基于动量的更新策略对因子矩阵进行优化。通过大量实验，我们证明KG-CTF相比现有PARAFAC2方法可将误差率降低至其1.64倍。此外，OKG-CTF相比现有流式方法，在每到达一个新张量时可将运行时间缩短至其5.7倍。
Keyword:
PARAFAC2
coupled tensor factorization
knowledge graph
irregular tensor
streaming data
期刊
IF:
2.6
论文数:
2.6W
被引数:
81.6W
机构
引用论文
分享收藏S3CMTF: Fast, accurate, and scalable method for incomplete coupled matrix-tensor factorization.png)
PLOS ONE
OAAI
PLOS ONEIF0
OAAI分享收藏LogPar: Logistic PARAFAC2 Factorization for Temporal Binary Data with Missing ValuesProceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningOAAI
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏
查看更多内容