在向量空间中遍历知识图谱
该论文提出了一种使用递归神经网络推理多跳关系的新方法,通过向既有的知识库添加由多跳关系推理得出的新事实实现知识库完成,并在新整理的数据库上展示了 11% 的准确度提升。
Apr, 2015
本文介绍了基于嵌入式知识图谱网络的知识库完成方法,通过使用端到端反向传播训练,可以将大型知识库压缩成优化的版本,并在知识库完成基准测试中取得了最新的最佳结果。
Nov, 2016
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
通过使用知识图谱嵌入向量,我们提出了一个高效的 GPU 支持的知识图谱完成框架来获取新的关系,并且我们通过将知识图铺完问题转化为 “可转化为度量空间” 的相似性连接问题,并使用度量空间特性导出公式来快速处理相似性连接问题的方法,来实验性地展示我们的框架能够高效地处理知识图谱完成问题。
Jul, 2023
在本研究中,我们提出了一种关系预测模型,它利用了知识图中的文本和结构信息,并结合了步行式嵌入和语言模型嵌入来有效地表示节点。通过在一个广泛使用的数据集上进行评估,我们证明了我们的模型在关系预测任务中取得了有竞争力的结果。
Apr, 2024
TAGREAL 通过从大型文本语料库中检索支持信息,自动生成高质量的查询提示,从而探索 PLM 的知识,实现开放知识图谱完成,并实现了最先进的性能表现。
May, 2023
该研究提出一种基于信息检索和阅读理解的知识图谱自动完成模型,在实验中发现该模型可以很好地解决无法从现有知识中推断的关系,并在多个知识图谱自动完成数据集上取得良好结果。
Oct, 2022
该研究提出了新的知识库补全模型,它可以通过利用节点的结构和语义上下文来解决本体库完整性问题。该模型不仅学习了本地图结构,而且还利用了预先训练的语言模型的转移学习来增强对知识的上下文表示,进而显著提高了链路预测能力,并对常识知识的类型进行了分析。
Oct, 2019
我们研究了两种知识图谱补全方法:依赖文本实体描述的文本模型和利用知识图谱的连接结构的基于结构的模型。我们通过集成的方式结合了这两种方法,提出了一种新颖的方法来学习查询相关的集成权重,并在三个标准知识图谱补全数据集上取得了最先进的结果。
Nov, 2023