.png){kind=icon}
返回
SKIP: A Prototype-Based Scalable Knowledge Graph Representation Learning Method
.png){kind=icon}
PRE
AI
DOI：10.1109/TNNLS.2025.3625660.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识图谱表示学习（KGRL）领域正在迅速扩展。为了有效将KGRL模型应用于大型真实世界知识图谱（KGs），提出了基于锚点的方法。这些方法旨在通过使用一组小的实体锚点来编码实体，从而降低计算成本和参数需求。然而，现有的锚点选择方法往往较为简单，有时会产生次优结果。在本文中，我们提出了一种可扩展的基于锚点的KGRL方法，称为SKIP。通过利用原型信息，我们的方法选择代表性实体作为锚点。SKIP方法包括两个主要步骤。首先，采用预训练模型利用知识图谱中的拓扑结构和文本信息来编码实体。其次，原型学习模块（PLM）提取实体原型，然后用于采样包含有价值原型信息的实体锚点。这些设置使SKIP能够识别代表性且合理的实体锚点，从而在减少计算资源需求的同时提升性能。在针对不同规模知识图谱的多种下游任务上进行的广泛实验证明了SKIP的优越性和有效性。特别地，在大型OGB WikiKG 2数据集上，我们的方法在实现可比性能的同时，将运行时间减少了约21.28%，并且比基线模型少用了21.43%的模型参数。这表明了SKIP的卓越可扩展性。
Keyword:
Clustering
knowledge graph (KG)
prototype learning
scalable graph learning
期刊
IF:
8.9
论文数:
7.6K
被引数:
7.2W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏MINES: Message Intercommunication for Inductive Relation Reasoning over Neighbor-Enhanced Subgraphs
OAAI
OAAI分享收藏分享收藏
查看更多内容