.png){kind=icon}
返回
Relational Clustering-Based Parallel Spaces Construction and Embedding for Dynamic Knowledge Graph
.png){kind=icon}
PRE
AI
DOI：10.1109/TBDATA.2025.3527238.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着各领域数据量的不断增加，知识图谱（KGs）已成为用于以结构化方式表示复杂异构信息以及通过嵌入技术从知识图谱中提取有价值信息以支持推荐和问答系统等下游任务的有力工具。知识图谱由三元组构成，这些三元组随着知识的更新而持续添加。然而，大多数现有的嵌入模型是为静态图设计的，每次更新都需要重新训练整个模型，这耗时较长。现有的全局动态嵌入模型侧重于利用整个图的结构和关系信息来实现嵌入质量，导致动态效率降低。为解决此问题，我们提出了一种基于关系聚类的并行空间模型，其中不同域的知识嵌入到不同的子空间中，使每个子空间能够专注于特定域的数据特征，从而提升知识质量。其次，新数据仅影响部分子空间，而不影响其他子空间的表现，提高了模型对动态变化的适应性。此外，我们采用两种基于添加数据类型的增量方法，在提升动态嵌入效率的同时，确保新增数据保留并行空间的特征。实验结果表明，对于链接预测任务，与SOTA动态嵌入模型相比，我们模型的动态嵌入效率平均提升了50.3%。特别是在FB15K数据集上，我们的模型不仅效率提升了41%，准确率也提高了7.5%，证明了模型的准确性和效率。
Keyword:
Dynamic knowledge graph embedding
increment learning
parallel spaces
relational clustering
期刊
I
IF:
5.7
论文数:
887
被引数:
3.0K
机构
引用论文
.png){kind=icon}
Knowledge graph embedding by relational rotation and complex convolution for link prediction基于关系旋转和复卷积的知识图谱嵌入链接预测
PREAI
分享收藏
查看更多内容