「知识表示学习」专题论文推荐 | 每周论文清单

2018 年 2 月 5 日 PaperWeekly 让你更懂AI的

本期论文清单来自清华大学博士生韩旭和北师大本科生曹书林,涵盖了近年知识表示学习方向的重要论文



[ 综述类 ]





■ 论文 | Representation Learning: A Review and New Perspectives

■ 链接 | https://www.paperweekly.site/papers/1628

■ 源码 | 无





■ 论文 | Knowledge Representation Learning: A Review

■ 链接 | https://www.paperweekly.site/papers/1629

■ 源码 | 无





■ 论文 | A Review of Relational Machine Learning for Knowledge Graphs

■ 链接 | https://www.paperweekly.site/papers/1630

■ 源码 | 无





■ 论文 | Knowledge Graph Embedding: A Survey of Approaches and Applications

■ 链接 | https://www.paperweekly.site/papers/1425

■ 源码 | 无



[ 期刊 & 顶会 ]





■ 论文 | A Three-Way Model for Collective Learning on Multi-Relational Data

■ 链接 | https://www.paperweekly.site/papers/1632

■ 源码 | https://github.com/thunlp/OpenKE





■ 论文 | Learning Structured Embeddings of Knowledge Bases

■ 链接 | https://www.paperweekly.site/papers/1633

■ 源码 | 无





■ 论文 | A Latent Factor Model for Highly Multi-relational Data

■ 链接 | https://www.paperweekly.site/papers/1634

■ 源码 | 无





■ 论文 | Reasoning With Neural Tensor Networks for Knowledge Base Completion

■ 链接 | https://www.paperweekly.site/papers/1635

■ 源码 | 无





■ 论文 | Translating Embeddings for Modeling Multi-relational Data

■ 链接 | https://www.paperweekly.site/papers/1636

■ 源码 | https://github.com/thunlp/OpenKE





■ 论文 | Knowledge Graph Embedding by Translating on Hyperplanes

■ 链接 | https://www.paperweekly.site/papers/1637

■ 源码 | https://github.com/thunlp/OpenKE





■ 论文 | Learning Entity and Relation Embeddings for Knowledge Graph Completion

■ 链接 | https://www.paperweekly.site/papers/1638

■ 源码 | https://github.com/thunlp/KB2E


扩展阅读: 






■ 论文 | Knowledge Graph Embedding via Dynamic Mapping Matrix

■ 链接 | https://www.paperweekly.site/papers/1639

■ 源码 | https://github.com/thunlp/KB2E





■ 论文 | TransA: An Adaptive Approach for Knowledge Graph Embedding

■ 链接 | https://www.paperweekly.site/papers/1640

■ 源码 | 无


扩展阅读: 






■ 论文 | Learning to Represent Knowledge Graphs with Gaussian Embedding

■ 链接 | https://www.paperweekly.site/papers/1641

■ 源码 | 无




■ 论文 | Embedding Entities and Relations for Learning and Inference in Knowledge Bases

■ 链接 | https://www.paperweekly.site/papers/1642

■ 源码 | https://github.com/thunlp/OpenKE





■ 论文 | Modeling Relation Paths for Representation Learning of Knowledge Bases

■ 链接 | https://www.paperweekly.site/papers/1111

■ 源码 | https://github.com/thunlp/KB2E


扩展阅读: 





■ 论文 | Composing Relationships with Translations

■ 链接 | https://www.paperweekly.site/papers/1643

■ 源码 | 无





■ 论文 | From One Point to A Manifold: Knowledge Graph Embedding For Precise Link Prediction

■ 链接 | https://www.paperweekly.site/papers/1644

■ 源码 | 无





■ 论文 | TransG : A Generative Model for Knowledge Graph Embedding

■ 链接 | https://www.paperweekly.site/papers/1645

■ 源码 | https://github.com/BookmanHan/Embedding


扩展阅读: 






■ 论文 | Complex Embeddings for Simple Link Prediction

■ 链接 | https://www.paperweekly.site/papers/1646

■ 源码 | https://github.com/ttrouill/complex





■ 论文 | Holographic Embeddings of Knowledge Graphs

■ 链接 | https://www.paperweekly.site/papers/556

■ 源码 | https://github.com/mnick/holographic-embeddings





■ 论文 | Knowledge Representation Learning with Entities, Attributes and Relations

■ 链接 | https://www.paperweekly.site/papers/1647

■ 源码 | https://github.com/thunlp/KR-EAR


扩展阅读: 






■ 论文 | Knowledge Graph Completion with Adaptive Sparse Transfer Matrix

■ 链接 | https://www.paperweekly.site/papers/1648

■ 源码 | https://github.com/thunlp/KB2E


扩展阅读: 






■ 论文 | Representation Learning of Knowledge Graphs with Hierarchical Types

■ 链接 | https://www.paperweekly.site/papers/1649

■ 源码 | https://github.com/thunlp/TKRL


扩展阅读: 







■ 论文 | STransE: A Novel Embedding Model of Entities and Relationships in Knowledge Bases

■ 链接 | https://www.paperweekly.site/papers/1650

■ 源码 | https://github.com/datquocnguyen/STransE





■ 论文 | GAKE: Graph Aware Knowledge Embedding

■ 链接 | https://www.paperweekly.site/papers/1651

■ 源码 | https://github.com/JuneFeng/GAKE





■ 论文 | Representation Learning of Knowledge Graphs with Entity Descriptions

■ 链接 | https://www.paperweekly.site/papers/1652

■ 源码 | https://github.com/thunlp/DKRL





■ 论文 | Learning First-Order Logic Embeddings via Matrix Factorization

■ 链接 | https://www.paperweekly.site/papers/1653

■ 源码 | 无





■ 论文 | Semantic Space Projection for Knowledge Graph Embedding with Text Descriptions

■ 链接 | https://www.paperweekly.site/papers/1654

■ 源码 | http://www.ibookman.net/conference.html





■ 论文 | ProjE: Embedding Projection for Knowledge Graph Completion

■ 链接 | https://www.paperweekly.site/papers/1655

■ 源码 | https://github.com/bxshi/ProjE





■ 论文 | Analogical Inference for Multi-Relational Embeddings

■ 链接 | https://www.paperweekly.site/papers/1656

■ 源码 | https://github.com/mana-ysh/knowledge-graph-embeddings





■ 论文 | Image-embodied Knowledge Representation Learning

■ 链接 | https://www.paperweekly.site/papers/449

■ 源码 | https://github.com/xrb92/IKRL


扩展阅读: 






■ 论文 | Iterative Entity Alignment via Joint Knowledge Embeddings

■ 链接 | https://www.paperweekly.site/papers/1657

■ 源码 | https://github.com/thunlp/IEAJKE





关于PaperWeekly


PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域,欢迎在公众号后台点击「交流群」,小助手将把你带入 PaperWeekly 的交流群里。


▽ 点击 | 阅读原文 | 访问作者Github

登录查看更多
16

相关内容

表示学习是通过利用训练数据来学习得到向量表示,这可以克服人工方法的局限性。 表示学习通常可分为两大类,无监督和有监督表示学习。大多数无监督表示学习方法利用自动编码器(如去噪自动编码器和稀疏自动编码器等)中的隐变量作为表示。 目前出现的变分自动编码器能够更好的容忍噪声和异常值。 然而,推断给定数据的潜在结构几乎是不可能的。 目前有一些近似推断的策略。 此外,一些无监督表示学习方法旨在近似某种特定的相似性度量。提出了一种无监督的相似性保持表示学习框架,该框架使用矩阵分解来保持成对的DTW相似性。 通过学习保持DTW的shaplets,即在转换后的空间中的欧式距离近似原始数据的真实DTW距离。有监督表示学习方法可以利用数据的标签信息,更好地捕获数据的语义结构。 孪生网络和三元组网络是目前两种比较流行的模型,它们的目标是最大化类别之间的距离并最小化了类别内部的距离。
小贴士
相关资讯
【资源】最新BERT相关论文清单汇总
专知
29+阅读 · 2019年10月2日
动态知识图谱补全论文合集
专知
21+阅读 · 2019年4月18日
【荟萃】知识图谱论文与笔记
专知
24+阅读 · 2019年3月25日
vae 相关论文 表示学习 1
CreateAMind
8+阅读 · 2018年9月6日
论文浅尝 | 基于Freebase的问答研究
开放知识图谱
4+阅读 · 2018年3月26日
知识表示学习领域代表论文全盘点
AI科技评论
5+阅读 · 2018年2月14日
论文浅尝 |「知识表示学习」专题论文推荐
开放知识图谱
11+阅读 · 2018年2月12日
资源 | 清华大学开源OpenKE:知识表示学习平台
机器之心
4+阅读 · 2017年11月4日
相关论文
Aidan Hogan,Eva Blomqvist,Michael Cochez,Claudia d'Amato,Gerard de Melo,Claudio Gutierrez,José Emilio Labra Gayo,Sabrina Kirrane,Sebastian Neumaier,Axel Polleres,Roberto Navigli,Axel-Cyrille Ngonga Ngomo,Sabbir M. Rashid,Anisa Rula,Lukas Schmelzeisen,Juan Sequeda,Steffen Staab,Antoine Zimmermann
63+阅读 · 3月4日
Shaoxiong Ji,Shirui Pan,Erik Cambria,Pekka Marttinen,Philip S. Yu
46+阅读 · 2月2日
Ye Liu,Hui Li,Alberto Garcia-Duran,Mathias Niepert,Daniel Onoro-Rubio,David S. Rosenblum
6+阅读 · 2019年3月13日
Jointly Learning Explainable Rules for Recommendation with Knowledge Graph
Weizhi Ma,Min Zhang,Yue Cao, Woojeong, Jin,Chenyang Wang,Yiqun Liu,Shaoping Ma,Xiang Ren
3+阅读 · 2019年3月9日
DSKG: A Deep Sequential Model for Knowledge Graph Completion
Lingbing Guo,Qingheng Zhang,Weiyi Ge,Wei Hu,Yuzhong Qu
3+阅读 · 2018年12月30日
Ikhlas Alhussien,Erik Cambria,Zhang NengSheng
3+阅读 · 2018年9月27日
Ivana Balazevic,Carl Allen,Timothy M. Hospedales
4+阅读 · 2018年8月28日
Peter W. Battaglia,Jessica B. Hamrick,Victor Bapst,Alvaro Sanchez-Gonzalez,Vinicius Zambaldi,Mateusz Malinowski,Andrea Tacchetti,David Raposo,Adam Santoro,Ryan Faulkner,Caglar Gulcehre,Francis Song,Andrew Ballard,Justin Gilmer,George Dahl,Ashish Vaswani,Kelsey Allen,Charles Nash,Victoria Langston,Chris Dyer,Nicolas Heess,Daan Wierstra,Pushmeet Kohli,Matt Botvinick,Oriol Vinyals,Yujia Li,Razvan Pascanu
3+阅读 · 2018年6月4日
Liwei Cai,William Yang Wang
6+阅读 · 2018年4月16日
Ruobing Xie,Zhiyuan Liu,Fen Lin,Leyu Lin
9+阅读 · 2018年2月16日
Top