机构名称：
¥ 1.0
几乎没有图形（kg）的完成是当前研究的重点，在该研究中，每个任务都旨在查询相互关系的事实，鉴于其几乎没有射击的参考实体对。最近的尝试通过了解实体和参考的静态表示，忽略其动态属性，即实体可能在任务关系中表现出不同的作用，并且参考可能对查询做出不同的贡献，从而解决了这一问题。这项工作通过学习自适应实体和参考表示，提出了一个自适应注意网络，以完成几次kg的完成。特定地，通过自适应邻居编码器来建模，以辨别其面向任务的角色，而参考文献则由自适应查询感知的聚合器建模，以区分其贡献。通过注意力学，实体和参考都可以捕获其细粒度的语义含义，从而使表达更具表现力。这将在几次镜头中对知识获取更具预测性。在两个公共数据集上的链接预测中的评估表明，我们的方法实现了不同少量大小的新最先进的结果。源代码可在https：// github上找到。com/jiaweisheng/faan。
适应性注意力网络，用于几个知识图
主要关键词
相关文件推荐
