.png){kind=icon}
返回
Struct-KGS2S: a structural context-based sequence-to-sequence model for link prediction in knowledge graphs
.png){kind=icon}
PRE
AI
DOI：10.1007/s10115-025-02364-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
如今，基于描述的方法被广泛应用于知识图谱的链接预测任务中，这主要归功于预训练语言模型（PLMs）的集成。这些方法能够有效探索和利用知识图谱中丰富的文本数据。然而，尽管这些方法具有优势，但依赖文本特征描述的模型在提供实体额外上下文信息方面，仍比基于结构的方法存在一定局限性，尤其是在允许实体通过相对于邻近实体的相对位置承载上下文信息时，基于结构的方法通过在嵌入空间中表示实体及其关系，能实现更强的性能。在本文中，我们提出了用于知识图谱链接预测的Struct-KGS2S模型，该模型将图的结构信息与基于seq2seq的PLM模型相结合。为评估我们的模型，我们在三个广泛使用的链接预测数据集（FB15k-237、WN18RR和Wikidata5M）上进行了实验，并使用MRR和Hit@K指标评估了性能。我们的实验结果表明，所提出的方法不仅在上述指标上超越了现有的基于PLM的模型，还取得了与基于结构模型相当的结果，并在多个基准数据集上达到了新的最佳性能。
Keyword:
Knowledge graph
Link prediction
Pre-trained language models
期刊
IF:
3.1
论文数:
558
被引数:
5.2K
机构
引用论文
KEPLER: A Unified Model for Knowledge Embedding and Pre-trained Language Representation开普勒: 知识嵌入和预训练语言表示的统一模型
OAAI
OAAI分享收藏分享收藏Relphormer: Relational Graph Transformer for Knowledge Graph RepresentationsRelphormer: 用于知识图表示的关系图转换器.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容