Multirelational Tensor Graph Attention Networks for Knowledge Fusion in Smart Enterprise Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Augmented Intelligence of Things empowered by knowledge graph drives cognitive intelligence for smart enterprise management systems (EMS). Knowledge fusion technology can effectively integrate knowledge from different sources, thereby improving the accuracy and richness of the knowledge graph, which is of great significance to the sustainable development of smart EMS. Traditional machine learning methods on graphs face challenges in the fusion of complex and multirelational enterprise knowledge graphs due to inherent defects in relation semantic and local structure information capturing. In order to break through these limitations and improve EMS knowledge graphs, we propose tensor-based graph attention networks for multirelational graph representation learning (MR-GAT), and apply it to the critical tasks in knowledge fusion: Entity and relation alignment. Specifically, we innovatively adopt tensor operations to adequately model the interactions between entities and relations in EMS knowledge graph to learn more accurate representations. Additionally, we propose a relation attention mechanism, which focuses on assigning weights in the process of aggregating local semantic information for relation learning in an EMS knowledge graph. Furthermore, we develop a joint entity and relation alignment framework by utilizing the proposed multirelational graph attention networks to improve the accuracy of knowledge fusion. Experimental evaluations on three datasets present that the proposed approach outperforms the baseline models by about 1.4% on average in terms of the mean reciprocal rank metric, which demonstrates the superior ability of the proposed MR-GAT in representation learning for knowledge fusion in smart EMS.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle