کنفرانس بین المللی محاسبات نرم

صفحه اصلی / پنجمین کنفرانس بین المللی محاسبات نرم

NE-GCN: Advancing Knowledge Graph Link Prediction with Node2vec-Enhanced Graph Convolutional Networks

نویسندگان :

Mohammadreza Ghaffariannia¹ Rooholah Abedian² Ali Moeini³

1- دانشکده فنی دانشگاه تهران 2- دانشکده فنی دانشگاه تهران 3- دانشکده فنی دانشگاه تهران

کلمات کلیدی :

Knowledge graph،Link prediction،Node2vec،convolutional network

چکیده :

Knowledge graphs (KGs) play a vital role in enhancing search results and recommendation systems. With the rapid increase in the size of the KGs, they are becoming inaccuracy and incomplete. This problem can be solved by the knowledge graph completion methods. In this paper we use a novel method for knowledge graph link prediction named Node2vec Enhanced Graph Convolutional Network (NE-GCN), for computing pairwise occurrences of entity-relation pairs in the dataset to construct a joint learning model. Given a knowledge graph, NE-GCN constructs a single graph considering entities and relations as individual nodes. NE-GCN then computes weights for edges among nodes based on the pairwise occurrence of entities and relations. Next, uses Graph Convolution neural Network (GCN) to update vector representations for entity and relation nodes. This work opens up

لیست مقالات

لیست مقالات بایگانی شده

استفاده از یادگیری کیو مبتنی بر فرآیندهای تصمیم گیری مارکوف به منظور تشخیص و بازیابی حفرههای پوشش در شبکههای حسگر بیسیم

اکرم سادات مصطفوی - نستوه طاهری جوان

Bayesian estimation of reliability for Rayleigh distribution under the entropy loss function

Najmeh Rashidi alavijeh - Nahid Sanjari farsipour

مروری بر روشهای کاربردی در محاسبات نرم

نیما صابری فرد - محمد طالقانی - بابک زینتی

بررسی مقایسه‌ای روش‌های تحلیل تصادفات موتورسیکلت در معابر درون‌شهری

میثم عفتی - امین زارعی کریانی

بررسی و ارزیابی الگوریتم‌های تطبیق‌دهنده در حل مسئله استنتاج متن

محمد صادق جهانی - حمیدرضا احمدی فر - سید ابوالقاسم میرروشندل

Extended filters in BL-algebras

Fereshteh Forouzesh

مقایسه کارایی الگوریتم های یادگیری ماشین نظارتی (ANN, NB و SVM) برای پیش بینی شدت تصادفات | مطالعه موردی: کشور انگلستان - سال های 2010 تا 2014

سهیل رضاشعار - امیرعباس رصافی

Convolutional Neural Networks with Different Dimensions for POLSAR Image Classification

Maryam Imani

روش های استخراج ویژگی مبتنی بر الگوریتم های هوش جمعی برای دسته بندی متن

فاطمه عمرانی - هادی محمدی - فاطمه خانی

آزمون دونمونه‌ای برای بردار میانگین بر اساس رهیافت نگاشت‌تصادفی در داده‌های بُعد‌بالا

تینا رشیدجعفری - جواد وحدت آتشگاه

بیشتر

ثمین همایش، سامانه مدیریت کنفرانس ها و جشنواره ها - نگارش 42.0.2