qq_36618444的博客

目录MethodsModeling correlations between relationsModeling graph structuresThe framework of TACTExperiments and Analysis本文发表于AAAI2021，作者信息如下：本文认为，许多现有的方法没有考虑到关系之间的语义相关性，这在现实世界的知识图中很常见。因此，本文提出了Topology-Aware CorrelaTions（TACT），将关系分为几种拓扑模式，然后提出一种关系网络(RCN)来学

本文针对知识图谱补全的小样本学习问题，提出了few-shot relation learning model (FSRL)。目录few-short数据增强或正则化Meta-learning（元学习）小样本其他分类Problem DefinitionFew-Shot Learning Settings关于小样本学习为什么能学习到新类别ModelEncoding Heterogeneous NeighborsAggregating Few-Shot Reference SetMatching Query a.

目录IntroductionPROBLEM DEFINITIONTHE LINKG FRAMEWORKLinking Venues — Sequence-based EntitiesLinking Papers — Large-scale EntitiesLinking Authors — Ambiguous Entities实验Introduction本文作者来自清华大学唐杰老师团队。本文针对的是大规模的学术知识图谱（Aminer，Microsoft Academic Graph (MAG)）实体链

目录IntroductionPRELIMINARIESMETHODScore AggregationPredicate-Aware Attention MechanismCentrality AdjustmentModel ArchitectureEXPERIMENTSPerformance EvaluationIn-Domain PredictionOut-Of-Domain Prediction消融试验以及参数讨论Introduction本文的作者来自卡内基梅隆大学。本文提出了一种用于有监督评估知识

本文发表在AAAI2019，作者来自Sun Yat-sen University，Tencent AI Lab，Wuhan University。经过了前两篇论文的学习，现在我们知道了GK embedding分为encoder和decoder两部分。而融合了图神经网络的encoder有更大的创新空间，GNN的聚合方式影响了GNN的性能。本文认为，一个理想的聚合器应该具有以下所需的属性：Permutation Invariant。这也是GNN中的一个基本的性质，即：聚合与邻域节点的顺序无关。Redun

本文的作者来自康涅狄格大学以及JD AI Research。本文提出了一个端到端的模型SACN。它由一个加权图卷积网络(WGCN)的编码器和一个Conv-TransE的译码器组成，WGCN利用了KG节点结构、节点属性和边缘关系类型。该解码器使用了特殊的卷积简化了ConvE（后文会提到），并保留了TransE的平移性质以及ConvE的性能。在related work中提到了一些经典的工作，比如Tans家族、DisTMult、ComplEX、STransE等。这里就不重点介绍了。Method先看一下整体

本文作者来自University of Amsterdam，Kipf作为共同一作。其实ESCW只是CCF C类会议，不过外国人当然不看CCF啦。这是本系列的第一篇，做了一阵子GNN的理论研究，当然也需要落地；本来实验室就是做知识图谱相关工作的，因此以后要结合起来去做。本文主要针对知识图谱补全的两个基础任务：link prediction和entity classification。前者补全三元组，后者补全实体的属性。本文主要贡献如下：第一个证明GCN框架可以应用于关系数据建模，特别是链接预测和实体分类任