大多数知识图谱是不完整的,有很多实体间在实际中存在的关系被没有存在于知识图谱中,于是如何补全这些关系是一个重要任务,这个任务被正式地称为链路预测(link prediction)。R-GCN在这个任务上取得了很不错的结果,此外论文还将R-GCN在实体分类(entity classification)任务中进行应用。
R-GCN——论文《Modeling Relational Data with Graph Convolutional Networks》阅读笔记 ElEvEn 孤独患者1 人赞同了该文章 目录 收起 1、引言和简介 2、Neural relational modeling 3、 实体分类问题 4、链接预测问题 5、实验验证 实体分类: 链接预测: 6、结论 用图卷积网络建模关系数据 1、引言和简介 文章引...
今天学习的是阿姆斯特丹大学 Michael Schlichtkrull 大佬和 Thomas N. Kipf 大佬于 2017 年合作的一篇论文《Modeling Relational Data with Graph Convolutional Networks》,目前引用超 400 次,虽然这篇文章只是发到了 C 类会议,但论文中提出的 R-GCN 无疑开创了使用 GCN 框架去建模关系网络的先河。(只发到 C 可...
For each observed example we sample $\omega$ negative ones. We sample by randomly corrupting either the subject or the object of each positive example. 其中$\omega$ 表示负样本的数量,这里我们选择1个正样本对应10个负样本。论文思想是我们随机从所有实体中选取一个实体,将其替换为一个三元组中的subject...
这篇论文主要有两大贡献: 证明了 GCN 可以应用于关系网络中,特别是链接预测和实体分类中; 引入权值共享和系数约束的方法使得 R-GCN 可以应用于关系众多的网络中。 Introduction 存储知识的知识库常用于多种应用,包括问答、信息检索等。但即使是最大的知识库(如Yago、Wiki等)也存在很多缺失信息,这种不完整性会影响...
【Kipf博士GNN论文】图卷积网络作者Kipf四年图神经网络研究精华178页 和其导师 Max Welling于2016年提出的。虽然几年前就做出了各种开创性的工作,但ThomasKipf今年才刚刚博士毕业。他的研究方向是学习结构化数据和结构化表示 / 计算,包括推理、(多智能体)强化学习和结构化深度生成模型。今年 1 月份,他从阿姆斯特丹大...
正则化的意义就是在实验中发现,当图变大一点的时候,其关系的数量会迅速增长,从而导致模型训练困难,不仅如此,可能某些边的训练数据会不那么多,就会很容易导致过拟合的产生,基于此,论文中提到了一种正则化的技巧。 其核心思想就是对于每个关系r,共享参数Vb,训练的只是arb,这样共享参数的方式就减少了训练参数的数量,...
这几篇论文都是用卷积神经网络做知识图谱嵌入的,包括一维、二维卷积、图卷积和自适应卷积,放在一起阅读的。 ConvE paper:Convolutional 2D Knowledge Graph Embeddings 这篇文章是瑞士大学的 Tim Dettmers 发表在 AAAI 2018 上的工作,文章提出了 ConvE(Convolutional Embedding),用二维卷积网路做 KGE。用各种各样的神...
DBLP中包含14328篇论文(paper), 4057位作者(author), 20个会议(conference), 7723个术语(term)。作者分为四个领域:数据库、数据挖掘、机器学习、信息检索。由于conference节点没有特征,因此需要预先设置特征:graph['conference'].x = torch.ones((graph['conference'].num_nodes, 1)) ...
天学习的是阿姆斯特丹大学 Michael Schlichtkrull 大佬和 Thomas N. Kipf 大佬于 2017 年合作的一篇论文《Modeling Relational Data with Graph Convolutional Networks》,目前引用超 400 次,虽然这篇文章只是发到了 C 类会议,但论文中提出的R-GCN无疑开创了使用GCN框架去建模关系网络的先河 ...