知识图谱推理(论文复现)

原创

于 2024-11-12 23:20:40 发布 · 1k 阅读

18 ·

CC 4.0 BY-SA版权

文章标签：

#知识图谱 #人工智能

✨✨ 欢迎大家来访Srlua的博文（づ￣3￣）づ╭❤～✨✨

🌟🌟 欢迎各位亲爱的读者，感谢你们抽出宝贵的时间来阅读我的文章。

我是Srlua小谢，在这里我会分享我的知识和经验。🎥

希望在这里，我们能一起探索IT世界的奥妙，提升我们的技能。🔮

记得先点赞👍后阅读哦~ 👏👏

📘📚 所属专栏：传知代码论文复现

欢迎访问我的主页：Srlua小谢获取更多信息和资源。✨✨🌙🌙

本文所有资源均可在该地址处获取

论文概述

本研究专注于基于图神经网络（GNN）的知识图谱推理，特别关注了传播路径的应用与优化。在智能问答和推荐系统等领域，知识图谱推理具有关键作用，但传统GNN方法在效率和准确度方面存在局限。为了改进这些问题，本研究引入了创新的自适应传播策略AdaProp，并与传统的Red-GNN方法进行了对比实验。通过实际运行AdaProp和Red-GNN两种方法，并在多个数据集上进行实验验证，结果显示AdaProp在多项性能指标上取得了显著的提升。这一发现不仅突显了AdaProp在知识图谱推理中的潜力，也为该领域的未来研究和应用提供了新的方向。AdaProp的成功实现在理论和实践层面上都为知识图谱推理开辟了新的可能性，强调了自适应传播策略的重要性。

论文名称：AdaProp: Learning Adaptive Propagation for Graph Neural Network based Knowledge Graph Reasoning
作者：Yongqi Zhang, Zhanke Zhou, Quanming Yao, Xiaowen Chu, and Bo Han
出处：Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '23), August 6–10, 2023, Long Beach, CA, USA 在本论文的基础上添加tensorboard可视化结果
原代码链：GitHub - LARS-research/AdaProp: [KDD 2023] AdaProp: Learning Adaptive Propagation for Graph Neural Network based Knowledge Graph Reasoning

论文方法

通过有效的采样技术来动态调整传播路径，既考虑到查询实体和查询关系的依赖性，又避免在传播过程中涉及过多无关实体，从而提高推理效率并减少计算成本。这将涉及到开发新的采样策略，以确保在扩展传播路径时能够保持对目标答案实体的精确预测。为此，提出了一种名为AdaProp的基于GNN的方法，该算法可以根据给定的查询动态调整传播路径。

在这里插入图片描述与传统方法的比较