ParamE
ParamE
这篇文章提出了新的KGE方法叫做ParamE,既能够建模关系的翻译属性,又能够利用非线性的联系。
最大的创新点在于将神经网络的参数看做是relation embedding,在实验中,为了验证,设计了三个方法,ParamE-MLP,ParanE-CNN,ParamE-Gate
实际是为所有的relation都设计了单独的神经网络。
这篇文章提出了新的KGE方法叫做ParamE,既能够建模关系的翻译属性,又能够利用非线性的联系。
最大的创新点在于将神经网络的参数看做是relation embedding,在实验中,为了验证,设计了三个方法,ParamE-MLP,ParanE-CNN,ParamE-Gate
实际是为所有的relation都设计了单独的神经网络。
认为之前的KGE方法将entity embedding和relation embedding之间的交互都局限在additive上。 这篇文章使用relation embedding产生参数,转化entity embedding。
2019-11-12
在ConvE的基础上,进行了特征dim随机排列,棋盘状的排列,以及多channel的卷积。
2019-12-15 AAAI 2020
Hierarchy-Aware Knowledge Graph Embeddings(HAKE)就是不增加额外的信息,利用知识图谱的语义层级建模。
HAKE为了区分所有的实体,将实体嵌入分为两部分:
AAAI 2019
W-GCN+Conv-TransE
W-GCN把不同的关系类型看做是不同的sub graph,不同的sub graph包括不同的weight。请注意这里的weight不同于一般的self-attention,W-GCN的weight是只与relation type有关的,而且不包括self-loop。
2019-6-4
将GAT应用到KG上。
AAAI 2020
使用了两层注意力,相同关系下的实体的注意力+不同关系的注意力
原来的CNN, RNN等方法不能直接应用到graph上,因此最近GCN被提出来了。
但是初始的GCN方法主要集中与无向图,最近的针对有向图的方法类如R-GCN,存在over-parameterization问题。
there is a need for a framework which can utilize KG embedding techniques for learning task-specific node and relation embeddings.
COMPGCN addresses the shortcomings of previously proposed GCN models by jointly learning vector representations for both nodes and relations in the graph