| TransE、TransD、TransR | 基于平移的方法 | 针对单个三元组进行训练 |
| A Three-Way Model for Collective Learning on Multi-Relational Data（2011） | 基于语义匹配的方法 | |
| Embedding entities and relations for learning and inference in knowledge bases.（2014） | ||
| Complex embeddings for simple link prediction（2016） | ||
| RotatE: Knowledge Graph Embedding by Relational Rotation in Complex Space（2019） | ||
| Modeling relational data with graph convolutional Networks（2018） | 考虑局部邻域的结构信息 |
本文针对链接预测问题，在R-GCN基础上进行改进：
本文共有两种模型：TransE-GCN和RotatE-GCN
系统的工作流程为：
实验采用的数据集为FB15K-237和WN18RR
实验结果如下：
本文考虑了实体的度对系统性能的影响，在开始两种模型的性能都随着度大小的增加而有很大的提高，但在达到一定的阈值后，性能显著下降
本文还分析了系统模型对多跳邻居预测性能
本文发布于:2024-01-27 21:43:55，感谢您对本站的认可！
本文链接：https://www.4u4v.net/it/17063630342811.html
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系，我们将在24小时内删除。
| 留言与评论（共有 0 条评论） |
