NeuralKG 库

让知识图谱表示学习更简单！

知识图谱表示学习

简单 & 多样

NeuralKG是一个基于python的开源库，用于知识图的多种表示学习。NeuralKG包括三种不同的知识图谱表示学习方法，包括传统知识图嵌入方法、基于GNN的知识图嵌入方法、基于规则的知识图嵌入方法。
NeuralKG提供各种解耦的模块，使用中可以相互混合和适应。
使用NeuralKG，开发人员和研究人员可以快速实现他们自己设计的模型，并获得最佳的训练方法，高效地实现最佳性能。

知识图谱嵌入方法

C-KGEs

NeuralKG包含大量传统的知识图谱嵌入方法，如TransE等，并将添加最新的方法。[更多]

规则增强表示学习

Rule-based KGEs

NeuralKG包含一系列方法，如IterE等，使神经符号推理变得简单。[更多]

图神经网络模型

GNN-based KGEs

NeuralKG包含最近提出的融合图神经网络的知识图表示学习方法, 可以更充分地利用图结构。[更多]

特点

使用简单灵活

NeuralKG提供各种功能模块，并通过一致的框架组织所有组件。

解耦模块： NeuralKG提供各种解耦模块，可以相互混合和调整。

模型类型多样：NeuralKG包括传统的KGE、基于GNN的KGE、规则注入的KGE。

应用

你可以使用NeuralKG做什么?

知识图谱广泛用于与实体相关的任务，例如链接预测和推荐。它还广泛用于电子商务和生物信息学等许多领域的应用。使用 NeuralKG，您可以轻松地对实体进行推理。

KG 任务

对于各种KG相关任务，例如链接预测、推荐、问答，NeuralKG 提供了在向量空间中表示实体和关系的灵活方法，并且很容易地在任务模型中应用.[更多]

KG 应用

领域知识可以在很多应用中被构建成知识图谱，例如生物信息学、电子商务、金融。在领域KG中，NeuralKG提供了去发现实体间关系和相关性的简单实现.[更多]

最新相关

最新博客

我们将会不断地更新跟Neuralkg相关的博客，包括工具集的更新，领域的应用及项目经历分享等

用于问答系统的NeuralKG

知识图谱（KG）由大量的实体以及实体间的关系组成。基于知识图谱的问答（KGQA），其目标是回答在给定知识图谱上提出的自然语言查询。

用于推荐的NeuralKG

NeuralKG是一款支持多种知识图谱表示学习/知识图谱嵌入模型(Knowledge Graph Embedding, KGE)的Python工具包，涵盖了传统知识图谱嵌入、基于图神经网络的知识图谱嵌…

GNN-based KGEs

基于图神经网络（GNN）的知识图谱表示学习方法，通常会在实体和关系的表示之后，添加多层的图神经网络结构，利用该结构对实体和关系的表示进行基于周围邻居结构信息的编码更新。

了解更多

联系我们

NeuralKG 核心团队提供长期技术支持。您可以通过 Github、Gitee、Twitter、Email 等关注或联系我们。我们欢迎所有能让 NeuralKG 变得更好的贡献。如果有任何好的建议，请随时与我们联系。

NeuralKG 核心团队

浙江大学

张文，陈湘南，姚祯，陈名杨，朱渝珊，俞洪涛，
黄雨峰，许泽众，徐雅静，张宁豫，陈华钧