.png){kind=icon}
.png){kind=icon}
返回
Text-augmented long-term relation dependency learning for knowledge graph representation
.png){kind=icon}
OA
AI
DOI：10.1016/j.hcc.2025.100315.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识图谱（KG）表示学习旨在将实体和关系映射到低维表示空间，在许多任务中展现出显著潜力。现有方法可分为两类：（1）基于图的方法利用结构得分函数将KG元素编码为向量；（2）基于文本的方法通过预训练语言模型（PLMs）嵌入实体和关系的文本描述，并进一步使用三元组进行微调。我们认为，基于图的方法在稀疏数据上表现困难，而基于文本的方法在处理复杂关系时面临挑战。为解决这些局限性，我们提出了一种统一的文本增强注意力循环网络，弥合了图和自然语言之间的差距。具体而言，我们采用基于局部影响权重的图注意力网络来建模局部结构信息，并利用基于提示学习的PLM来学习文本信息，通过基于全局影响权重和文本对比学习的掩码重构策略来增强鲁棒性和泛化能力。此外，为有效建模多跳关系，我们提出了一种新颖的语义深度引导路径提取算法，并将交叉注意力层集成到循环神经网络中，以促进长期关系依赖的学习，并为变长信息提供自适应注意力机制。大量实验表明，我们的模型在知识图谱补全和问答任务上均优于现有模型。
Keyword:
Knowledge graph representation
Graph attention network
Pre-trained language model
Attention-based recurrent network
Masked autoencoder
Contrastive learning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。