Tensor Graph Attention Network for Knowledge Reasoning in Internet of Things
Notice bibliographique
Résumé
Knowledge graph builds the bridge from massive data generated by the interaction and communication between various objects to intelligent applications and services in Internet of Things. The graph representation learning technology represented by graph neural networks plays an essential role in the understanding and reasoning of the knowledge graph with complicated internal structure. Although they are capable of assigning different attention weights to neighbors, the graph attention network (GAT) and its variants are inherently flawed and inadequate in modeling high-order knowledge graphs with high heterogeneity. Therefore, we propose a novel multirelational GAT framework in this article for knowledge reasoning over heterogeneous graphs by employing tensor and tensor operations. Specifically, we formulate the general high-order heterogeneous knowledge graph first. Then, the tensor GAT (TGAT), composed of three components: 1) heterogeneous information propagation; 2) multimodal semantic-aware attention; and 3) knowledge aggregation, is developed to simulate rich interactions between mixed triples, entities, and relationships when aggregating local information. What is more, we utilize the Tucker model to compress the parameters of TGAT and further reduce the storage and calculation consumption of the intermediate calculation process on the premise of maintaining the expressive power. We conduct extensive experiments to solve the link prediction task on four real-world heterogeneous graphs, and the results demonstrate that the TGAT model proposed in this article remarkably outperforms state-of-the-art competitors and improves the hits@1 accuracy by up to 7.6%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».