基于关系图神经网络的不确定性感知的少样本知识图谱补全
原文中文，约200字，阅读约需1分钟。发表于：。通过利用高斯分布对有限数据进行建模，我们提出了一种新颖的不确定性感知少样本知识图完成框架（UFKGC），该框架能更好地理解有限数据并提高鲁棒性，实验证明与竞争对手相比，在两个基准数据集上取得了出色的性能。
本文提出了一个使用全局-局部框架的少样本关系学习方法，通过引入门控和注意力邻居聚合器来集成语义信息。在局部阶段中，使用基于元学习的TransH方法来模拟和推断复杂的关系。实验证明该模型在NELL-One和Wiki-One数据集上表现更好，具有更好的5-shot FKGC性能。
