.png){kind=icon}
返回
Pair-wise or high-order? A self-adaptive graph framework for knowledge graph embedding
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2025.107494.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识图谱（KGs）将实体描绘为节点、连接描绘为边，并且被广泛运用于众多人工智能应用中。然而，知识图谱往往存在不完整性，这严重影响了下游应用。知识图谱嵌入（KGE）技术通过将实体和关系编码为向量来应对这一挑战，使得可以利用这些表示进行推理和计算。图卷积网络（GCNs）是知识图谱嵌入技术的核心模型。GCN方法通过计算实体与邻接节点之间的成对关系来捕捉KG的拓扑结构特征。尽管GCN模型已取得优异性能，但仍存在三个主要挑战：（1）有效解决多层数GCN模型在知识图谱表示学习中存在的过平滑问题，（2）获取实体与邻接节点之间超出成对关系的高阶信息，（3）有效整合实体的成对和高阶特征。为应对这些挑战，我们提出了一个自适应图卷积网络模型PHGCN（成对与高阶图卷积网络），能够同时整合成对和高阶特征。PHGCN通过以下方式解决上述三个挑战：（1）我们提出了一种分层感知的GCN，在聚合成对关系的同时克服过平滑问题。（2）我们采用单纯复形神经网络从知识图谱中提取高阶拓扑特征。（3）我们引入了一种自适应性聚合机制，以有效整合成对和高阶特征。我们在四个基准数据集上的实验表明，PHGCN优于现有方法，达到了当前最优结果。使用单纯复形神经网络提取高阶特征所带来的性能提升显著：在FB15k-237数据集上，PHGCN实现了1.5%的提升，而在WN18RR数据集上提升了6.1%。
Keyword:
Knowledge graph embedding
Graph convolutional network
Simplicial complex neural network
Over smoothing
期刊
IF:
6.3
论文数:
8.2K
被引数:
3.0W
机构
引用论文
.png){kind=icon}
Explainable Knowledge reasoning via thought chains for knowledge-based visual question answering基于思维链的可解释知识推理，用于基于知识的视觉问答
PREAI
分享收藏BIKAGCN: Knowledge-Aware Recommendations Under Bi-layer Graph Convolutional NetworksBIKAGCN：基于双层数据图卷积网络的知识感知推荐
OAAI
OAAI分享收藏分享收藏SG-Fusion: A swin-transformer and graph convolution-based multi-modal deep neural network for glioma prognosisSg-fusion: 一种基于swin变换器和图形卷积的多模态深度神经网络，用于神经胶质瘤的预后
OAAI
OAAI分享收藏
查看更多内容