.png){kind=icon}
返回
Weight-aware tasks for evaluating knowledge graph embeddings
.png){kind=icon}
OA
AI
DOI：10.1016/j.knosys.2025.113596.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识图谱嵌入通过向量和矩阵表示实体和关系来编码知识，并且已被广泛与深度学习结合用于解决各种不同的问题。知识驱动任务的有效性本质上依赖于这些嵌入的质量。为提升嵌入质量，已引入权重信息来开发关注权重的知识图谱嵌入。然而，现有的关注权重的知识图谱嵌入模型仍使用不考虑权重的任务进行评估，无差别地处理所有三元组，而忽略了知识图谱的全局权重分布。为弥补这一差距，我们引入了专为知识图谱嵌入设计的关注权重的任务，即关注权重的链接预测和关注权重的三元组分类，旨在为加权知识图谱上的嵌入模型提供更全面的评估。为验证所提出的评估协议的有效性，我们提出一个通用框架WaExt，它将常规的确定性知识图谱嵌入模型扩展为其关注权重的对应模型。在四种经典知识图谱嵌入模型和三个加权知识图谱上的广泛评估表明，所提出的关注权重的评估协议具有优越性。此外，WaExt框架实现了有竞争力的性能，优于现有方法。实现代码公开在：https://github.com/Diison/WaExt。
Keyword:
Knowledge graphs
Knowledge graph embedding
Evaluation protocol
期刊
K
IF:
7.6
论文数:
1.2W
被引数:
4.5W
机构
引用论文
分享收藏DBpedia - A large-scale, multilingual knowledge base extracted from WikipediaDBpedia-从维基百科中提取的大规模多语言知识库.png)
SEMANTIC WEB
OAAI
SEMANTIC WEBIF2.9
OAAI分享收藏
查看更多内容