.png){kind=icon}
返回
Representation purification with semantic contrastive learning for hyper-relational knowledge graph
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.114898.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 本研究的重要性和创新性在于其基于低质量标注的真实世界HKGs探索表示学习。本研究通过融入超图感知和序列感知语义特征，为提升H-Facts表示及HKGs提供了新的见解。
• 据我们所知，HKGCL是首个将对比学习应用于HKGs表示学习的模型。该方法通过净化特征训练对比语义表示，以识别具有强关联的实体。此外，我们进行了理论分析以支持这些整合方法带来的优势。
• 针对使用非交互语义表示H-Facts的局限性，我们提出了新颖的可学习残差连接（LRCs），基于超图感知和序列感知语义交互动态学习语义表示。引入LRC使模型能够减少噪声干扰并增强H-Facts的语义表示。
• 除链路预测外，我们在源自同一HKGs的实体对齐和限定符感知关系分类任务上验证了跨任务泛化能力，并概述了一个实际电子商务部署场景以说明其实用性。
