近年来，围绕着图卷积网络(GCN)这一主题的文献大量涌现。如何有效地利用复杂图(如具有异构实体和关系类型的知识图谱)中丰富的结构信息是该领域面临的主要挑战。大多数GCN方法要么局限于具有同质边类型的图(例如，仅引用链接)，要么只专注于节点的表示学习，而不是针对目标驱动的目标共同传播和更新节点和边的嵌入。本文提出了一种新的框架，即基于知识嵌入的图卷积网络(KE-GCN)，该框架结合了基于图的信念传播中知识嵌入的能力和高级知识嵌入(又称知识图嵌入)方法的优势，从而解决了这些局限性。我们的理论分析表明，KE-GCN作为具体案例提供了几种著名的GCN方法的优雅统一，并提供了图卷积的新视角。在基准数据集上的实验结果表明，与强基线方法相比，KE-GCN方法在知识图谱对齐和实体分类等任务中具有明显的优势。
https://www.zhuanzhi.ai/paper/3404ccd79333da7c1cbf8e013f258a64
成为VIP会员查看完整内容
Knowledge Embedding Based Graph Convolutional Network
相关内容
知识图谱（Knowledge Graph），在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。
知识图谱是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。它能为学科研究提供切实的、有价值的参考。
Arxiv
5+阅读 · 2018年12月6日
Arxiv
7+阅读 · 2018年11月4日
相关VIP内容
相关资讯
相关论文
Arxiv
5+阅读 · 2018年12月6日
Arxiv
7+阅读 · 2018年11月4日
微信扫码咨询专知VIP会员