Jun, 2015

知识库表示学习的关系路径建模

PDF
TL;DR本文提出了一种基于路径的知识库表示学习模型，将多步关系路径作为实体之间表示学习的翻译，利用路径约束资源分配算法度量路径可靠性，并通过关系嵌入的语义组合来表示关系路径；实证研究结果表明，与基线方法相比，我们的模型在知识库完成和文本关系提取方面取得了显著且一致的改进。
发现论文，激发创造
  • 基于规则导向的知识图谱组合表示学习

    本文提出了一种基于规则和路径的联合嵌入（RPJE）方案，利用逻辑规则的可解释性和准确性、KG 嵌入的泛化性以及路径的补充语义结构。实验结果表明，RPJE 在 KG 完成任务上优于其他最先进的基线，这也证明了利用逻辑规则和路径提高表示学习的准确性和可解释性的优越性。

    Nov, 2019

  • 利用关系路径的混合语义进行知识图谱上的多跳问答

    本文提出了一种利用关系路径的混合语义来改善多跳知识图谱问答（KGQA）的方法，以较大程度的解决理解复杂问题的问题，通过实验证明该方法在多跳场景下的优越性。

    Sep, 2022

  • 用关系嵌入链解决难度类比问题

    将概念关联建模为路径并将其边缘与关联嵌入相关联，以解决语义学中的难题。

    Oct, 2023

  • 通过知识库补全对路径进行推理

    本论文探讨了一种简单的方法，使用知识库完成模型（KBC）和学习的嵌入向量，自动构建和排序源实体和目标实体对之间的路径。我们使用获取的生物医学科学文献挖掘了一个知识图，并提取了一组高频路径用于验证。实验结果表明，我们的方法能够有效地排列实体对之间的已知路径，并提出了未在知识图中存在的合理路径。对于给定的实体对，我们能够在排名前 10 的路径中 60% 的时间内重构出排名最高的路径，并达到 49％的平均精度。由于任何能够产生实体向量表示的 KBC 模型都可以使用，因此我们的方法具有组合性

    Nov, 2019

  • 知识库问答中应更加关注关系探索

    本文提出了一种新的 RE-KBQA 框架，利用知识库中的关系来增强实体表示并引入额外的监督方法以提高知识库问答的效果，通过实验证明此框架的优越性，从而提高 F1 分数。

    May, 2023

  • 散步并到达答案：利用强化学习在知识库中推理路径

    提出了一种名为 MINERVA 的算法，采用神经强化学习方法解决在只知道一个实体的情况下，找到预测路径的困难问题，以实现知识库（KB）的完善，这种方法在多个数据集上均取得了最新成果。

    Nov, 2017

  • 使用异构表示法连接语言和知识进行神经关系抽取

    本文介绍一种统一 Relation Extraction 和 KB Embeddings 的学习框架，并证明在知识库更新任务中取得了显著进展。

    Mar, 2019

  • 在知识库学习和推理中嵌入实体和关系

    通过基于神经嵌入的方法，学习知识库中实体和关系的表示，并将大多数现有模型统一到一个学习框架下，比较各种嵌入模型在链接预测任务上的表现，其中一个简单的双线性公式在任务中取得新的最优结果；此外，利用此模型可以挖掘逻辑规则，其中包含组合推理，并且此方法在 Horn 规则挖掘方面表现优秀。

    Dec, 2014

  • 开放关系建模：学习定义实体之间的关系

    本文介绍了开放式关系建模问题，引入了使用定义实体进行条件生成类型的关系描述的方法，并将推理路径和选择机制包括在内以帮助在知识图谱数据上进行开放式关系建模。实验结果表明，该模型能够生成简洁但信息丰富的关系描述，捕捉实体的代表性特征。

    Aug, 2021

  • 从词嵌入解释知识图谱关系表达

    研究利用词嵌入的理论，将知识图谱关系分为三种类型，并为每种类型导出其表示法的明确要求，以了解知识图谱数据的潜在结构如何被不同表达方法所捕捉。

    Sep, 2019