- Изучение и использование структуры графа высокого порядка для завершения графа разреженных знаний (arXiv)
Автор: Тао Хэ, Мин Лю, Исинь Цао, Зэкун Ван, Цзыхао Чжэн, Чжэн Чу, Бин Цинь.
Аннотация: Сценарии с разреженным графом знаний (KG) создают проблему для предыдущих методов завершения графа знаний (KGC), то есть производительность завершения быстро снижается с увеличением разреженности графа. Эта проблема также усугубляется из-за широкого распространения разреженных КГ в практических приложениях. Чтобы облегчить эту проблему, мы представляем новую структуру LR-GCN, которая способна автоматически фиксировать ценную долгосрочную зависимость между сущностями, чтобы дополнить недостаточные структурные особенности и выделить знания логического мышления для разреженных KGC. Предлагаемый подход состоит из двух основных компонентов: предсказателя на основе GNN и дистиллятора пути рассуждений. Дистиллятор путей рассуждений исследует структуры графов высокого порядка, такие как пути рассуждений, и кодирует их как ребра с расширенной семантикой, явно объединяя долгосрочные зависимости в предиктор. Этот шаг также играет важную роль в уплотнении детских садов, эффективно устраняя проблему разреженности. Кроме того, анализатор пути дополнительно выделяет знание логических рассуждений из этих добытых путей рассуждений в предиктор. Эти два компонента совместно оптимизируются с использованием хорошо разработанного вариационного алгоритма ЭМ. Обширные эксперименты и анализ четырех разреженных тестов демонстрируют эффективность предложенного нами метода.
2.DsMtGCN: многозадачная среда, чувствительная к направлению, для завершения сети знаний (arXiv)
Автор: Цзинин Ван, Чуан Чен, Цзибин Чжэн, Южэнь Чжоу.
Аннотация: Чтобы решить проблему неполноты, присущей графам знаний (KG), были предложены модели числа завершений графов знаний (KGC) для прогнозирования недостающих звеньев из известных троек. Среди них в нескольких работах были достигнуты более продвинутые результаты за счет использования информации о структуре KG с помощью графовых сверточных сетей (GCN). Однако мы наблюдаем, что вложения сущностей, агрегированные от соседей в разных направлениях, просто усредняются для выполнения одиночных задач с помощью существующих моделей на основе GCN, игнорируя конкретные требования прямых и обратных подзадач. В этой статье мы предлагаем чувствительный к направлению многозадачный GCN (DsMtGCN), чтобы в полной мере использовать информацию о направлении, многоголовое самовнимание применяется для специального объединения вложений в разных направлениях на основе различных объектов и подзадач. , геометрические ограничения накладываются для корректировки распределения вложений, а традиционная бинарная кросс-энтропийная потеря модифицируется, чтобы отразить тройную неопределенность. Кроме того, результаты конкурентных экспериментов на нескольких эталонных наборах данных подтверждают эффективность нашей модели.
