精华内容
下载资源
问答
  • 因此该文章重点研究在双曲空间中嵌入多关系知识图谱数据,并进行链路预测。经过和多关系欧几里得模型(MuRE)的一系列比对分析表明,维度越低,MuRP模型链路预测的效果比MuRE越好。 2 多关系庞加莱嵌入 2.1 双曲几何...

     

    今天给大家介绍收录在NIPS2019的文章“Multi-relational Poincaré Graph Embeddings”,该文章由爱丁堡大学信息学院和剑桥三星AI中心合作完成。这篇文章提出了一种多关系庞加莱模型(MuRp),该模型将多关系图数据嵌入到双曲空间庞加莱球中,使得模型在低维链路预测的效果上,明显优于欧几里得空间中相关模型和现有的其他模型。

    1

    研究背景

    然而,在分层多关系图数据结构中,双曲空间嵌入方法性能却不如欧几里得模型。因为在双曲空间中很难找到一种方式来表示跨关系共享的实体(节点),使得它们在不同的关系下形成不同的层次。目前,许多建模多关系数据的方法,是依赖于内积作为相似性度量,但是在双曲空间中没有与这些模型对应的欧几里德内积转换。即使有些使用欧几里德距离来度量相似性的方法可以转换到双曲空间,但它们在预测性能方面不如双线性模型。

    结合以上一系列问题,该文章提出了将分层多关系数据嵌入双曲几何的庞加莱球中(MuRP)的方法。MuRP通过莫比乌斯矩阵向量乘法和莫比乌斯加法,来学习转换实体嵌入的特定关系参数。知识图谱是一个典型的分层多关系数据结构,将其嵌入到双曲空间中可能会有较明显的改进。因此该文章重点研究在双曲空间中嵌入多关系知识图谱数据,并进行链路预测。经过和多关系欧几里得模型(MuRE)的一系列比对分析表明,维度越低,MuRP模型链路预测的效果比MuRE越好。

    2

    多关系庞加莱嵌入

    2.1 双曲几何庞加莱球

    要想把双曲线模型与庞加莱球结合,首先应先了解一下庞加莱球的模型。定义一个半径为1/√c(c>0)的d维流形庞加莱球(Bcd,gB),其中Bcd={x∈Rd:c‖x‖2<1},gB=(λxc)2gE,λxc=2/(1-c‖x‖2),x,y∈Bcd。x,y两点之间的最短路径为式1所示:

    其中‖∙‖表示欧几里得范数,⊕c表示莫比乌斯加法。而莫比乌斯加法运算如式2所示:

    其中表示欧几里得内积。莫比乌斯矩阵向量乘法运算如式3所示:

    其中x通过对数映射到切线空间0中,x∈Bcd,M∈Rd*k,0∈Bcd。

    图1 (a)庞加莱球中点对之间的最短路径。(b)该模型预测三元组真假。(c)每个嵌入的实体影响范围

    2.2 多关系图嵌入得分函数

    了解了双曲几何庞加莱球之后,得分函数也是模型不可或缺的部分。一组实体可以在不同的关系下形成不同的层次结构,而理想的嵌入模型应该同时捕获所有层次结构。双线性模型使用欧几里得内积来度量主体实体嵌入和客体实体嵌入之间的相似性。但是,在双曲空间中并不存在明确的欧几里得内积对应。同时,研究者们发现,在word2vec词嵌入中出现类比线性结构。而类比与多关系图中的关系有很多相似之处,因此该研究使用以前的启发式转换方法对关系建模是可行的。多关系图嵌入的得分函数如式4所示:

    其中,d是距离函数d:ℇ×R×ℇ→R+;es、eo表示主客体实体嵌入es,eo∈Rd;R∈Rd*d是对角关系矩阵;bs、bo分别表示其标量偏差bs,bo∈R。

    知道了多关系图嵌入得分函数,将得分函数与双曲几何庞加莱球相结合,从而应用到MuRP模型中,需要做一个适当的变换,变换后的MuRP模型得分函数如式5所示:

    其中hs,ho∈Bcd分别表示主客体实体es和eo的双曲嵌入,rh∈Bcd是关系r的双曲平移向量,hs(r)∈Bcd通过Möbius矩阵-向量乘法得到,ho(r)∈Bcd由Möbius加法得到,R是对角关系矩阵。MuRP的参数数随实体和关系的数目线性增加,从而具有较大的知识图谱可伸缩性。为了获得预测的事实为真的概率,该研究将logistic sigmoid即σ(ΦMuRP(es,r,eo))应用在得分函数上。

    2.3 训练与优化

    该研究使用标准的数据扩充技术,为每个三元组(es,r,eo)添加逆关系(eo,r−1,es),同时为每个真三元组(es,r,eo)生成k个负样本,其然后从所有实体集合ℇ中随机选择破坏客体(es,r,eo’)或主体(eo,r−1,es’)实体。这两个模型都用来训练最小化伯努利负对数似然损失,计算方法如式6所示:

    其中,p是预测概率,y是指示样本是正还是负的二进制标签,N是训练样本的数量。

    为了较好的看出实验模型的效果,该研究同时用多关系欧几里得模型(MuRE)与本模型做了一个对比。

    实验时,该研究用随机梯度下降(SGD)和黎曼随机梯度下降(RSGD)分别对欧几里得模型和双曲线模型进行了优化。在这里作者为了计算黎曼梯度∇RL,将欧几里得梯度∇EL乘以庞加莱度量张量的逆,即∇RL=1/(λθc)2∇EL。同时使用expθc将梯度映射到庞加莱球上的对应测地线,从而更新黎曼梯度,即θ←expθc(−η∇RL),其中η表示学习率。

    3

    实验

    3.1 数据集

    文章首先使用标准WN18RR和FB15k-237数据集测试庞加莱和欧几里得模型在知识图谱链接预测任务中的性能。其中FB15k-237是Freebase的子集,Freebase是真实世界事实的集合。WN18RR是WordNet的子集,WordNet是词之间关系的分层集合。该研究从验证和测试集中删除许多关系的逆项,以使数据集更具挑战性。WN18RR是分层的,而FB15k-237不是分层的,所以该研究还在包含75492个实体和200个关系的NELL-995数据集上进行了对比实验,该数据集包含22%的分层数据,以观察文章提出的MuRP模型在分层数据集上的性能。文章使用MRR和hits@k,k∈{1,3,10}来评估实验结果。

    3.2 实验参数设置

    文章使用PyTorch实现MuRP和MuRE这两个模型。实验发现,这两个模型在WN18RR数据集的最佳学习率为50。在FB15k-237数据集的最佳学习率为10。实验将批次大小设置为128,负样本数为50,MuRP的曲率设置为c=1。在这些参数下,得到的性能是最佳的。

    3.3 MuRP和MuRE对比分析

    两个模型在链路预测上的结果如表1所示:

    表1 WN18RR和FB15k-237上的链接预测结果

    从表中可以观察到,MuRE在非分层的FB15k-237数据集上的性能略好一些,而MuRP在WN18RR上的性能要好。除了HITS@1之外,Mure和MuRP在WN18RR上的所有指标上都超过了之前的最先进的模型。即使在相对较低的嵌入维数(d=40)下,这一点也保持不变,这表明双曲线模型能够简洁地表示多个层次。在FB15k-237中,MuRE的性能仅次于TuckER,这主要是由于跨关系的多任务学习。MuRP并没有包括跨关系多任务学习,这是在未来的工作中亟待解决的问题。

    文章比较了MuRE和MuRP在不同度嵌入的WN18RR上的MRR值。当嵌入维度较低时,MuRE和MuRP模型差异最大。MuRP的收敛速度也比MuRE快。实验结果如图2所示:

    图2 (a)WN18RR上不同嵌入大小的Mure和MuRP的MRR对数图 (b)Mure和MuRP在WN18RR训练集(虚线)和验证集(实线)上的MRR收敛速度

    为了表示模型的每一部分都不可缺少,作者研究了关系特定的转换和偏差选择的消融,实验结果如表2所示:

    表2 WN18RR上不同模型架构选择的消融研究:关系转换(左)和偏差(右)。

    从表2可以看出,对当前模型架构的任何更改都会对MuRE和MuRP的性能产生负面影响。用嵌入规范化的实体替换偏差会导致MuRP的性能显著降低。

    由于并不是WN18RR中的每个关系都在实体上诱导出层次结构,因此该文章研究了由每个关系形成的实体图的层次得分(Khs),以获得所诱导的层次的度量。该分数仅针对有向网络定义,并且测量其中存在有向路径x→y而不存在y→x的节点对。对于所有有向非循环图,该分数取值为1,对于圈和环,该分数取值为0。对于层次关系,文章还研究了图中任意两个节点之间的最大最短路径和平均最短路径。为了了解哪些关系在双曲空间中嵌入实体中受益最大,实验比较了低维(d=20)实体嵌入的MuRE和MuRP的每个关系的hits@10。最后的对比结果如表3所示:

    表3 WN18RR上,d=20时Mure和MuRP的每个关系的hits@10。

    从表3中我们可以看到,这两个模型在Khs层次结构得分为0的非层次对称关系性能都比较好,而MuRP在层次关系上的性能优于MuRE。对于形成较深树的关系,MuRE和MuRP之间的性能差异通常较大。

    一系列实验结果表明,MuRP在分层多关系数据集上的链路预测任务上优于MuRE和现有模型,并且需要更低的维度就能获得与其欧几里德类似模型相当的性能。在未来,可以研究最近引入的黎曼自适应优化方法与黎曼随机梯度下降方法的影响。此外,由于知识图谱中并不是所有的关系都是分层的,后续工作可以将欧几里得和双曲模型结合起来,产生最适合数据曲率的混合曲率嵌入。

    参考资料

     

    原文

    https://arxiv.org/abs/1905.09791

     

    代码

    https://github.com/ibalazevic/multirelational-poincare

     

    展开全文
  • 链路预测(Link Prediction, LP)是一种根据知识图谱中的已存在实体去预测缺失事实的任务,它是一种有前途、广泛研究且旨在解决知识图谱不完整性的任务。 在最近,基于知识图谱嵌入的链路预测技术在一些基准测试中...

    点上方人工智能算法与Python大数据获取更多干货

    在右上方 ··· 设为星标 ★,第一时间获取资源

    仅做学术分享,如有侵权,联系删除

    转载于 :机器之心

    Knowledge Graph Embedding for Link Prediction: A Comparative Analysis

    • 作者:Andrea Rossi、Donatella Firmani、Antonio Matinata、Paolo Merialdo、Denilson Barbosa

    • 论文链接:https://arxiv.org/pdf/2002.00819.pdf

    摘要:知识图谱(Knowledge graph, KGs)在工业和学术领域有很多应用,这反过来又推动了从各种来源大规模提取信息的研究工作。尽管付出了诸多努力,但不得不承认最先进的知识图谱也是不完整的。链路预测(Link Prediction, LP)是一种根据知识图谱中的已存在实体去预测缺失事实的任务,它是一种有前途、广泛研究且旨在解决知识图谱不完整性的任务。

    在最近,基于知识图谱嵌入的链路预测技术在一些基准测试中实现了良好的性能。尽管这方面的研究文献在快速增加,但对这些方法中不同设计选择的影响却没有投以充分的注意。此外,这一领域的标准做法是测试大量的事实来报告准确性,其中一些实体被过度表示;这使得链路预测方法只修改包含这些实体的结构属性来展示良好的性能,而忽略知识图谱的主要部分。

    因此,在这篇综述论文中,来自罗马第三大学和阿尔伯塔大学的研究者对基于嵌入的链路预测方法进行全面比较,将分析维度扩展到常见的文献范围之外。他们通过实验比较了 16 种当前 SOTA 方法的有效性和效率,考虑到了一个基于规则的基准,并提供了文献中最流行基准的详细分析。

    本研究中链路预测模型的分类。

    本研究对比分析中模型的损失函数、约束和空间复杂度。

    本研究对比分析中采用的 5 个链路预测数据集以及它们的常规属性。

    每个链路预测模型在 5 个数据集上的训练时长。

    推荐:这篇长达 43 页的综述论文首次对基于知识图谱嵌入的链路预测模型进行了全面的对比分析,囊括 16 个方法和架构各异的链路预测模型,并在 5 个最流行的数据集上验证了它们的有效性和效率。

    ---------♥---------

    声明:本内容来源网络,版权属于原作者

    图片来源网络,不代表本公众号立场。如有侵权,联系删除

    AI博士私人微信,还有少量空位

    如何画出漂亮的深度学习模型图?

    如何画出漂亮的神经网络图?

    一文读懂深度学习中的各种卷积

    点个在看支持一下吧

    展开全文
  • 开放域知识图谱数据集,在FB15K的基础上构造,添加了实体描述信息。
  • 在具体操作中知识图谱的补全常常成为链路预测任务,本文的重点在于通过引入节点和边张量来构造张量图。 主要贡献点 提出一种新型图,张量图 与异构网络的多图、超图和其他表示相比,新引入的张量图在扩展到张量n-部...

    论文地址:paper

    重点

    本文是在广义的异构网络上的一个张量图学习,用于链路预测。在具体操作中知识图谱的补全常常成为链路预测任务,本文的重点在于通过引入节点和边张量来构造张量图

    主要贡献点

    1. 提出一种新型图,张量图
    2. 与异构网络的多图、超图和其他表示相比,新引入的张量图在扩展到张量n-部图以表示节点异质性和将异构网络中的复杂路径合并到边张量以促进链路预测方面更灵活
    3. 广义异构网络可以同时表示,建模和分析异构网络中的数据
    4. 利用异构网络的邻接矩阵/张量和均匀网络的多个邻接矩阵与边张量相结合来表示广义异构网络

    模型

    符号定义

    (不知道为什么我看的论文没有看到附录,但是他说很多符号在附录里)

    1. 张量图定义(Tensorial graph)
      描述节点和边张量的,由节点的类型集合,边的类型集合,节点和变得张量集合四个部分组成。
    2. Tensorial n-partite graph
      就是对张量图的扩展,张量图也是这个一种。
    3. Tensorial hybrid (   u u n i \ _{u}^{uni}  uuni) − partite graph
      一个这种图(上述名字)或简单的张量混合图,将节点分为n个子集,边分为两个子集。一个子集由异构节点之间的边组成,另一子集则有同类节点的边组成。

    TGL (tesorial graph learning) 框架用于异构图的链接预测问题

    U-I指的是user-item 关系
    作为一个复杂的问题,将这个l链接预测问题分为三部分,构建tensorial n-partite graphs;改善相似度标准来适用于由tensorial n-partite graph表示的异构网络;利用监督学习中异构网络的相似度来预测异构节点之间的链路关系
    在这里插入图片描述

    构建tensorial n-partite graphs

    具体又分成三个部分,收集异构数据;构建张量图中的邻接矩阵/张量;张量图中节点和边的描述。

    TGL用于齐次网络

    1. 齐次网络的结构化数据替代异构网络,其余数据不变
    2. 多个邻接矩阵,每个邻接矩阵对应于一种类型的齐次节点。
    3. 对于节点相似性建模,将RWR扩展到张量单星图 (tensorial unipartite graphs ),以探讨高阶网络结构在齐次网络中的影响
    4. 利用扩展的RWR得到的节点相似性作为所提出的张量单星图 (tensorial unipartite graphs )核的分量。
      在这里插入图片描述

    TGL用于广义异构网络

    整合了上述两个方法。
    在这里插入图片描述

    张量图核方法

    方法由三部分组成,the design and computation of a tensorial n-partite graph kernel;the design and computation of tensorial unipartite graph kernels;the TGMK integrating the results of the tensorial n-partite and unipartite graph kernels。

    1. 第一部分算法
      在这里插入图片描述
    2. 第二部分算法

    在这里插入图片描述

    在这里插入图片描述

    在TGRW中,随机游走的路径表示为 h u q h_{uq} huq,其游走概率如下
    在这里插入图片描述
    在这里插入图片描述
    3. 第三部分算法
    集合学习,使用了多核学习的方法解决。TGMK
    在这里插入图片描述

    实验与总结

    实验部分就不过多讲了,感觉这篇文章提出的三种网络和核方法都还挺难的,可能是我的数学基础不够扎实,有高人可以在评论区指导指导。
    对于异构图的一个链接预测,尤其是动态图,多种类型的节点将会是之后的一个研究热点和难点。本文在构建点和边张量上都提出了建设性的意见。比起深度的方法,纯数学的方法真是令人头疼。
    又看了下确实没看到附录,文中说的好像是在线附录,不知道在哪里翻阅,里面有大量的数学证明还是值得看看。

    展开全文
  • 系列算法 TransE:同一语义空间表示,...融合其它知识库信息 加入路径信息 加入业务规则信息 编码解码的原理、多层卷积模型 混合使用 https://blog.csdn.net/kisslotus/article/details/54681839

    系列算法

    TransE:同一语义空间表示,向量加法

    TransH:让一个实体在不同关系下有不同的表示

    TransR:认为不同的关系拥有不同的语义空间(实体向关系空间投射)

    CTransR:细分关系

    TransD:为头尾实体构建不同的投影矩阵(矩阵与实体关系都相关)

    TranSparse:为头尾实体构建不同的投影矩阵(不同的矩阵稀疏度)

    TransA:损失函数中距离度量改用马氏距离,并为每一维的学习设置不同权重

    TransG:用高斯混合模型来描述头尾实体(一种关系,对应多种语义;每种语义用高斯分布表示)

    KG2E:头尾实体的向量差用高斯分布表示,关系也用高斯分布表示,评估两个分布之间的相似度

    ConvE:图结构的多层卷积网络

    SimplE:

    (1)每个实体表示成两个向量:头实体向量和尾实体向量(每个向量是独立的)

    (2)每个关系表示成两个关系:顺关系和逆关系向量

    DKRL:

    (1)结构化信息的表示:原有的算法

    (2)描述性信息的表示:用CBOW或者深度学习网络对描述信息进行建模

    (3)能量函数:Es+Ed(Edd+Esd+Eds)

    OpenKGC:

    (1)只用文本信息特征来学习实体和关系的表示;

    (2)能为没有见过的实体学习表示向量(但该构成该实体的单词必须是固定的)

    PTransE:

    (1) 可靠性路径的选择;

    (2) 路径的表示学习(语义表示-组合表示)

    R-GCN/R-GCN+:

    (1) GCN提供了一个为图节点表示学习的框架;

    (2) R-GCN提供了一个三元组自编码解码的评分方法;

    每种类别下的重要算法

    张量神经网络:SLM、NTN、ProjE

    图卷积网络:R-GCN/R-GCN+、ConvE

    分布式+规则的混合:Naual Lp、DKRL、RTJ、ComplexER、ComplexE+NNE

    基于路径的建模:PTransE

    多源信息融合的建模: DKRL、KGC、NLFeat、TEKE_H、SSP

    几个重要趋势

    融合其它多源信息:

    融合三元组实体的描述信息

    融合三元组实体的属性信息

    融合网络文本信息(把单词作为研究基准/把实体作为研究基准)

    融合其它知识库信息

    加入路径信息

    加入业务规则信息

    编码解码的原理、多层卷积模型

    混合使用

    https://blog.csdn.net/kisslotus/article/details/54681839

    展开全文
  • 基于贝叶斯网的知识图谱链接预测
  • 今天介绍的一些知识图谱大多都是半自动构造的,并不一直都是人来添加的,另外,说他们是知识图谱或许都不太恰当,他们更像是一个项目,是一条龙服务,不但存储了很多知识,还支持着非常复杂的查询,甚至支持问答系统...
  • 知识图谱的嵌入式表示方法以基于翻译的TransE最为经典,但在处理复杂关系时...实验结果表明,新方法TransAD优于Trans(<i>E,<i>H,<i>R,<i>D),在链路预测和三元组分类任务的各项指标上均有提升,有一定的先进性。
  • 知识图谱初学经典论文10篇

    千次阅读 2021-11-27 19:58:42
    知识图谱是实现机器认知智能的使能器,一方面通过建立从数据到知识图谱中实体、概念、关系的映射,让机器理解数据的本质;另一方面利用知识图谱中实体、概念和关系来解释现实世界中事物和现象,让机器解释现象的本质...
  • 多模态知识图谱

    千次阅读 2020-08-06 12:45:39
    知识图谱技术已经被广泛用于处理结构化数据(采用本体+D2R技术)和文本数据(采用文本信息抽取技术),但是还有一类非结构化数据,即视觉数据,则相对关注度较低,而且相缺乏有效的技术手段来从这些数据中提取结构化...
  • 论文笔记整理:邱圣广,南京大学硕士,研究方向为自然语言处理。链接:https://www.ijcai.org/proceedings/2018/0584.pdf绪论1. 脚本事件预测...
  • 技术动态 | 多模态知识图谱

    千次阅读 2020-08-05 21:44:31
    本文转载自漆桂林老师的知乎专栏。原文链接:https://zhuanlan.zhihu.com/p/163278672 作者:郑秋硕,漆桂林,王萌 知识图谱技术已经被...
  • 知识图谱问答_biji

    2021-05-26 11:51:05
    (ACL 2020) 研究复杂知识图谱问答时,将知识图谱 embedding 和问题 embedding 耦合在一起。使用 roberta 模型对输入进行编码。 评测函数,构建了(头实体,问题,候选实体)三元组,头实体是问题中的主实体,问题被...
  • 每天给你送来NLP技术干货!作者|徐国海@阿里巴巴来源|DataFunTalk导读:本文由阿里巴巴达摩院阿里小蜜团队带来,介绍其在知识图谱方面一年多以来的一些工作进展。主要内容包...
  • 在很多应用中,例如社交推荐、商品推荐以及知识图谱补全中都存在链路预测,就是判断两个节点之间是不是存在一条边。本节将使用论文引用关系数据集,判断两篇论文是否存在引用关系。 这个教程将链路预测定义为一个二...
  • 我们的实践:事理图谱,下一代知识图谱

    万次阅读 多人点赞 2018-12-25 14:19:05
    知识图谱真正作为一个突出热点走进大家眼球的,还是在2012年以收购freebase作为后台知识图谱的google,以简洁答案、知识卡片的方式颠覆传统文档搜索形式的横空出世,从这个时间算起,也就7年的时间,所以知识图谱...
  • MMKG有潜力促进知识图谱的新型多模态学习方法的发展,作者通过大量的实验验证了MMKG在同一链路预测任务中的有效性。 MMKG选择在知识图谱补全文献中广泛使用的数据集FREEBASE-15K (FB15K)作为创建多模态知识图谱的...
  • 我们进行了大量的实验来评估11个知识图谱上的FKGE模型,三重分类和链路预测任务的性能提高了近17.85%和7.9%,这证明了我们模型的质量取得了显著且一致的改进。 研究背景 知识图谱(KGs)的构建推动了很多应用的发展...
  • 总第469篇2021年 第039篇商品知识图谱作为新零售行业数字化的基石,提供了围绕商品的精准结构化理解,对业务应用起到了至关重要的作用。相比于美团大脑中原有的围绕商户的图谱而言,商品图谱...
  • 基于卷积神经网络的链接表示及预测方法
  • 对于链路预测来说,可以后面接一个解码器,将分类器视为自编码器,从而完成节点的预测。 2.R-GCN 2.1 RGCN 首先,目前的 GCN 可以视为一个简单可微的消息传递框架的特殊情况: hil+1=σ(∑m∈Migm(hil,hjl)) h_i^{l...
  • A Survey on Graph Neural Networks for Knowledge Graph ...最近在看图谱补全相关的内容,现在比较多的方向是采用图嵌入的方式进行学习,这篇论文综述了图神经网络在补全上的应用,值得读一读 二级目录 三级目录 ...
  • 本文是知识的一个推理过程,知识图谱链路预测上是及其重要的应用,现有方法中往往只考虑了实体间的直接关系,忽略了图本身的结构化信息。现有的推理算法不能解决长路劲的推理。 所谓张量分解算法就是将知识图谱视...
  • 链路预测 (最短路径) 关键节点挖掘 (寻找权威节点) 网络遍历 (搜索与检索) 社区发现 (组群画像) 相似节点挖掘 (相似性推荐)   网络挖掘的应用 网络挖掘在 用户画像、商品推荐、金融风险评估、城市交通...
  • 作为人工智能时代最重要的知识表示方式之一,知识图谱能够打破不同场景下的数据隔离,为搜索、推荐、问答、解释与决策等应用提供基础支撑。 美团大脑围绕吃喝玩乐等多种场景,构建了生活娱乐领域超大规模的知识图谱...
  • 机器学习使我们能够训练一个可以将数据转换为标签的模型,从而把...在现实世界中,相似性的概念与某个主题相关,它取决于我们的知识。 另一方面,数学模型定义了相似性的概念。通常,我们将数据表示为多维向量,并测量
  • 知识图谱最新研究综述

    千次阅读 2020-06-14 20:12:12
    来自:AI自然语言处理与知识图谱知识图谱研究综述知识图谱研究综述论文:A Survey on Knowledge Graphs: Representation, Acquisition ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,002
精华内容 400
关键字:

知识图谱链路预测