.png){kind=icon}
返回
RMNS: Robust Hyper-relational Link Prediction Model Based on Multi-level Negative Sampling
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-3058-8_30.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
超关系知识图谱（HKG）链接预测是一个具有重要学术和实践意义的关键研究领域。HKG由超关系事实构成，包含一个主三元组与多个属性-值限定符增强，能够实现丰富的知识表示。然而，在知识图谱构建过程中不可避免地会引入噪声。现有方法往往难以同时保证链接预测的准确性和鲁棒性，从而限制了其在下游任务中的有效性。为解决此问题，我们提出了RMNS方法，这是一种基于异构图编码器的全新框架。RMNS采用多级负采样策略，对所有相关元素进行前向扩散和后向去噪，并侧重于低置信度组件，从而提升模型鲁棒性并有效抑制噪声。此外，RMNS融入了边偏置注意力机制，以差异化强调异构元素嵌入，能够更精确地捕捉超关系结构中的关联。在JF17K和Wikipeople基准数据集上的实验结果表明，RMNS将实体和关系链接预测的Hits@1指标分别平均提升了2.3%和0.4%。验证表明，该方法在噪声干扰下显著提升了链接预测的准确性。
Keyword:
Hyper-relation
Knowledge Graph
Robust Learning
Link Prediction
Diffusion Model
期刊
K
IF:
0
论文数:
35
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏 没有更多内容
没有更多内容