标签
本文介绍了GRaCE，这是一个无监督框架，用于通过基于排名的度量生成可解释的图嵌入，在文本和图像数据的检索、分类和聚类任务中优于现有方法。
本文提出了基于直觉模糊图嵌入的多视图学习随机向量函数链接模型（IFGRVFL-MV），该模型融合了直觉模糊集、图嵌入和多视图学习，以提高分类精度和对异常值的鲁棒性。在基准数据集上的实验表明，IFGRVFL-MV优于现有模型。
本文介绍并实证评估了使用知识图谱嵌入测量知识图谱间语义相似性的方法，提出了EmbPairSim和AvgEmbSim评分函数，这些函数在WikiText-2和CC-News数据集上优于Sentence-BERT等基线方法。
介绍了自适应掩码图嵌入（AGE），这是一种基于Transformer的自监督学习方法，通过专注于预测非关键节点，解决了GraphRAG任务中LLM的图表示与文本表示之间的潜在特征不对齐问题。
本文介绍了 CORE，这是一种新的知识图谱补全模型，通过在环面流形上使用循环正交体关系嵌入来解决基于区域的模型中的边界约束问题。实验表明，该模型在链接预测任务中表现出具有竞争力的性能。