自监督学习相关论文
Self-supervised Learning for Linking Knowledge Graphs(TKDE21)
2022-12-21 16:28:38
3MB
1
relation-graph
这是一个Vue关系图谱组件，可以展示如组织机构图谱、股权架构图谱、集团关系图谱等知识图谱，可提供多种图谱布局，包括树状布局、中心布局、力学布局自动布局等。
这个项目使用典型的vue编程方式，代码简单易懂。如果需要实现一些自定义的高级功能，你可以直接使用源码作为一个component放到你的项目中去用，轻松、任意的修改。
详细使用方法、配置选项、在线demo，以及可视化的配置工具，可以访问这个网址：
快速使用：
npm install --save relation-graph
<RelationGraph ref="seeksRelationGraph" :options="graphOptions" :on-no
2022-10-28 15:40:58
7.81MB
1
知识图谱Knowledge Graphs- A Practical Introduction across Disciplines
2022-08-18 21:05:01
33.75MB
1
动态图表示学习，动态图分析论文汇总项目
本项目总结了动态图表示学习的有关论文，该项目在持续更新中，欢迎大家看/星/叉！
如果大家有值得推荐的工作，可以在问题中提出要推荐的工作，论文下载链接及其工作亮点（有优秀代码实现的工作，会优先考虑在内）。项目中表述有误的部分，也可以在issue中提出。感谢！
引流：【这也是我们的工作，欢迎手表/星/叉】
社交知识图谱专题： :
目录如下：
静态图表示与分析工作
针对静态图表示学习以及静态图分析，挖掘领域，挑选出个人认为值得继承的引用数更高，知名度较高的或最近的一些工作。
node2vec：网络的可扩展功能学习
作者：Grover A，Leskovec J.（阿姆斯特丹大学）
发表时间：2016
发表于：KDD 2016
标签：图表示学习
概述：依据表示学习，提出了一套在网络中学习连续连续类型表示的方法，取代了传统使用人工定义的例程结构化特征的方式
2021-12-05 01:49:53
26KB
1
Michael Galkin撰写了AAAI2020知识图谱论文相关研究趋势包括：KG-Augmented语言模型，异构KGs中的实体匹配，KG完成和链路预测，基于kg的会话人工智能和问题回答，包括论文，值得查看!
2021-09-23 17:58:09
15.16MB
1
Learning low-dimensional embeddings of knowledge graphs is a powerful approach used to predict unobserved or missing edges between entities. However,
an open challenge in this area is developing techniques that can go beyond simple
edge prediction and handle more complex logical queries, which might involve
multiple unobserved edges, entities, and variables. For instance, given an incomplete biological knowledge graph, we might want to predict what drugs are likely
to target proteins involved with both diseases X and Y?—a query that requires
reasoning about all possible proteins that might interact with diseases X and Y.
Here we introduce a framework to efficiently make predictions about conjunctive
logical queries—a flexible but tractable subset of first-order logic—on incomplete
knowledge graphs. In our approach, we embed graph nodes in a low-dimensional
space and represent logical operators as learned geometric operations (e.g., translation, rotation) in this embedding space. By performing logical operations within a
low-dimensional embedding space, our approach achieves a time complexity that
is linear in the number of query variables, compared to the exponential complexity
required by a naive enumeration-based approach. We demonstrate the utility of
this framework in two application studies on real-world datasets with millions
of relations: predicting logical relationships in a network of drug-gene-disease
interactions and in a graph-based representation of social interactions derived from
a popular web forum.
2021-06-07 11:07:52
1.3MB
1
计算机视觉Github开源论文
2021-06-03 09:09:13
577KB
1
知识图谱KGC是一个世界级会议，将有经验的实践者、技术领导者、前沿研究人员、学者和供应商聚集在一起，就知识图的主题进行为期两天的演讲、讨论和网络交流。KGC2021在5月3号到6号举行。来自加拿大CortAIx 首席人工智能科学家Freddy Lecue做了关于《知识图谱在可解释机器学习系统中应用》的报告，特别对可解释人工智能以及知识图谱在可解释机器学习中的作用进行了重点讲述，是非常好的学习资料。
报告摘要：
机器学习(ML)，作为人工智能的关键驱动力之一，已经在许多行业显示出颠覆性的结果。在关键系统中应用ML(尤其是人工神经网络模型)最根本的问题之一，就是它无法为其决策提供依据。主要是因为常识知识或推理超出了ML系统的范围。我们展示了如何运用知识图谱来揭示更多人类可以理解的机器学习决策，并展示了一个框架，将ML和知识图谱结合起来，在识别4,233,000个资源的知识图谱中的任何一个类的对象时，展示出一个接近人的解释。
2021-05-07 17:07:23
92.86MB
1