|
LibKGE – A knowledge graph embedding library for reproducible research
Broscheit, Samuel
;
Ruffinelli, Daniel
;
Kochsiek, Adrian
;
Betz, Patrick
;
Gemulla, Rainer
![[img]](https://madoc.bib.uni-mannheim.de/style/images/fileicons/application_pdf.png) |
PDF
LibKGE – A knowledge graph embedding library for reproducible research.pdf
- Veröffentlichte Version
Download (437kB)
|
|
DOI:
|
https://doi.org/10.18653/v1/2020.emnlp-demos.22
|
|
URL:
|
https://madoc.bib.uni-mannheim.de/61522
|
|
Weitere URL:
|
https://aclanthology.org/2020.emnlp-demos.22/
|
|
URN:
|
urn:nbn:de:bsz:180-madoc-615222
|
|
Dokumenttyp:
|
Konferenzveröffentlichung
|
|
Erscheinungsjahr:
|
2020
|
|
Buchtitel:
|
The 2020 Conference on Empirical Methods in Natural Language Processing : proceedings of systems demonstrations, November 16-20, 2020, EMNLP 2020
|
|
Seitenbereich:
|
165-174
|
|
Veranstaltungstitel:
|
The 2020 Conference on Empirical Methods in Natural Language Processing
|
|
Veranstaltungsort:
|
Online
|
|
Veranstaltungsdatum:
|
16.-20.11.2020
|
|
Herausgeber:
|
Schlangen, David
;
Liu, Qun
|
|
Ort der Veröffentlichung:
|
Stroudsburg, PA 18360 USA
|
|
Verlag:
|
Association for Computational Linguistics (ACL)
|
|
ISBN:
|
978-1-952148-62-0
|
|
Verwandte URLs:
|
|
|
Sprache der Veröffentlichung:
|
Englisch
|
|
Einrichtung:
|
Fakultät für Wirtschaftsinformatik und Wirtschaftsmathematik > Practical Computer Science I: Data Analytics (Gemulla 2014-)
|
|
Bereits vorhandene Lizenz:
|
 Creative Commons Namensnennung 4.0 International (CC BY 4.0)
|
|
Fachgebiet:
|
004 Informatik
|
|
Abstract:
|
LibKGE (https://github.com/uma-pi1/kge) is an open-source PyTorch-based library for training, hyperparameter optimization, and evaluation of knowledge graph embedding models for link prediction. The key goals of LibKGE are to enable reproducible research, to provide a framework for comprehensive experimental studies, and to facilitate analyzing the contributions of individual components of training methods, model architectures, and evaluation methods. LibKGE is highly configurable and every experiment can be fully reproduced with a single configuration file. Individual components are decoupled to the extent possible so that they can be mixed and matched with each other. Implementations in LibKGE aim to be as efficient as possible without leaving the scope of Python/Numpy/PyTorch. A comprehensive logging mechanism and tooling facilitates in-depth analysis. LibKGE provides implementations of common knowledge graph embedding models and training methods, and new ones can be easily added. A comparative study (Ruffinelli et al., 2020) showed that LibKGE reaches competitive to state-of-the-art performance for many models with a modest amount of automatic hyperparameter tuning.
|
|
Zusätzliche Informationen:
|
Online-Ressource
|
 | Dieser Eintrag ist Teil der Universitätsbibliographie. |
 | Das Dokument wird vom Publikationsserver der Universitätsbibliothek Mannheim bereitgestellt. |
 Suche Autoren in
BASE:
Broscheit, Samuel
;
Ruffinelli, Daniel
;
Kochsiek, Adrian
;
Betz, Patrick
;
Gemulla, Rainer
Google Scholar:
Broscheit, Samuel
;
Ruffinelli, Daniel
;
Kochsiek, Adrian
;
Betz, Patrick
;
Gemulla, Rainer
ORCID:
Broscheit, Samuel ; Ruffinelli, Daniel ; Kochsiek, Adrian ; Betz, Patrick ; Gemulla, Rainer  ORCID: 0000-0003-2762-0050
Sie haben einen Fehler gefunden? Teilen Sie uns Ihren Korrekturwunsch bitte hier mit: E-Mail
Actions (login required)
 |
Eintrag anzeigen |
|
|
