用于知识图谱补全的深度稀疏潜在特征模型
数值分析
2024-11-26 v1 数值分析
摘要
知识图谱补全（KGC）的最新进展强调了采用基于文本的方法来应对大规模知识图谱（KG）固有的复杂性。尽管这些方法取得了显著进展，但它们常常难以充分整合图的全局结构属性。随机块模型（SBM），特别是潜在特征关系模型（LFRM），为识别潜在社区结构和改进链接预测提供了稳健的概率框架。本文提出了一种新颖的基于稀疏潜在特征模型的概率KGC框架，并通过深度变分自编码器（VAE）进行优化。我们的方法动态整合全局聚类信息与局部文本特征，以有效补全缺失三元组，同时增强底层潜在结构的可解释性。在四个不同规模基准数据集上的大量实验表明，我们的方法取得了显著的性能提升。
引用
@article{arxiv.2411.15693,
title = {Solving Multi-Group Neutron Diffusion Eigenvalue Problem with Decoupling Residual Loss Function},
author = {Shupei Yu and Qiaolin He and Shiquan Zhang and Qihong Yang and Yu Yang and Helin Gong},
journal= {arXiv preprint arXiv:2411.15693},
year = {2024}
}