XiaoMi-AI文件搜索系统
World File Search SystemWN18RR
多态度增强的卷积神经网络用于知识图完成
摘要。知识图完成（KGC，也称为链接预测）旨在预测知识图中的缺失实体和关系（kgs）。知识图嵌入（KGE）技术已被证明对链接预测有效。术语，一系列基于卷积的神经网络（CNN）基于模型（例如，凸出及其扩展模型）已获得了极好的链接预测。但是，尚未同时考虑和增强使用CNN的链接预测重要的几个方面，这显着限制了这些模型的性能。在本文中，我们探讨了一个基于CNN的有效KGE模型。我们调查并发现了四个极大的方面，这些方面对引体具有强大的影响：实体和嵌入式，实体与 - 关系相互作用方法，CNN结构和损失函数。基于上述四个方面的优化，我们提出了一种称为CONVEICF的新型KGE方法。通过广泛的实验，我们发现传达的FB15K-237和WN18RR数据集优于先前的最新链接预测基准。尤其是，ConveICF获得@10分别比FB15K-237和WN18RR数据集的10分的10分和6.5％。此外，通过深入的典范，我们观察到一种有趣的现象，并且重要的是，只要添加掉落操作，就可以在KGE中非常常见的1-N评分技术得到改善。我们的代码可在https://github.com/neu-idke/conveicf上找到。
运用辩论动态进行知识图谱推理
我们提出了一种基于辩论动态的知识图谱自动推理新方法。其主要思想是将三重分类任务构建为两个强化学习代理之间的辩论游戏，它们提取论据（知识图谱中的路径），目标是分别促使事实为真（论点）或事实为假（反论点）。基于这些论据，一个称为评判者的二元分类器决定事实是真是假。这两个代理可被视为稀疏的对抗性特征生成器，为论点或反论点提供可解释的证据。与其他黑箱方法相比，这些论据让用户能够了解评判者的决定。由于这项工作的重点是创建一种可解释的方法以保持具有竞争力的预测准确率，因此我们在三重分类和链接预测任务上对我们的方法进行了基准测试。因此，我们发现我们的方法在基准数据集 FB15k-237、WN18RR 和 Hetionet 上的表现优于几个基线。我们还进行了一项调查，发现提取的参数对用户很有帮助。