Aug, 2015

知识图谱中的类型约束表示学习

PDF
TL;DR本文介绍了如何在现有的潜变量模型中整合先验类型约束来支持知识图谱的统计建模，并通过实验证明了关于关系类型的先验知识能够显著提高建模的性能，特别是在低复杂度约束下。同时，当在数据中缺少相关类型约束时，通过应用基于数据观察到的本地封闭世界假设，可以近似关系类型的语义。
latent variable modelsknowledge graphtype-constraintslink-prediction taskssemantic relationships
发现论文，激发创造
  • 引入标签关系归纳偏置来进行极细粒度实体类型推断

    本文提出了一种新的标签关系归纳偏好，利用图传播层有效编码全局标签共现统计和单词级别相似性，结合基于注意力的匹配模块，可以在包括超过 10,000 种自由形式类型的大型数据集上实现更高的召回分数，并且在输出的稳定性方面也更少不一致性。

    Mar, 2019

  • 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

  • 学习序列编码器用于时间知识图谱补全

    本文研究了基于时间的知识图谱中的联结预测问题，提出一种使用循环神经网络和潜在因式分解相结合的方法，以学习具有时间感知的关系类型表示，以解决现实世界知识图谱中稀疏性和异质性等问题，并在四个时间知识图谱数据集上进行了实验验证。

    Sep, 2018

  • 知识图谱的关系机器学习综述

    本文介绍了关系机器学习中如何统计建模大型知识图谱，以预测世界中新的事实，包括潜在特征模型和图中可观察模式互补的统计关系建模方法，以及与文本信息抽取相结合，自动构建知识图谱的实践。

    Mar, 2015

  • 神经变分推理用于知识图嵌入的不确定性估计

    该论文介绍了一种高度可扩展的概率框架，利用神经变分推理构建条件推理网络，针对知识图谱中实体和关系类型的符号表示提供变分分布。通过该框架构建了两个模型，即 Latent Information 和 Latent Fact 模型，这些模型在特定条件下改进了基线性能。

    Jun, 2019

  • 学习实体和关系的表征

    本文提出了三种知识图谱表征模型，分别是 HypER、TuckER 和 MuRP，它们都能够自动预测缺失的关系，并且在性能方面不断取得进步。同时，该文还将最新的理论研究成果推广到了知识图谱的领域，探讨了如何在这些模型中编码不同种类的关系。

    Jan, 2022

  • 利用多任务问答在语言模型中灌输类型知识

    该研究论文介绍了一种利用基于类型的问题通过文本预训练在语言模型中灌输细粒度类型知识的方法，并利用知识库文档和知识图谱创建 WikiWiki 数据集来评估性能。该方法在零 - shot 对话状态跟踪基准测试中取得了最先进的表现，可以准确地推断维基百科文章中的实体类型，并能够发现人工评判认为有用的新类型。

    Apr, 2022

  • 知识图谱规则引导的联合嵌入学习

    本研究论文介绍了一种新颖的模型，将知识图谱中的实体和关系编码为低维向量空间，并将上下文信息和字面信息融入到实体和关系嵌入中，使用图卷积网络进行建模，通过置信度和相关性度量评估上下文信息的重要性，并通过字面信息的表示来计算相关性度量。我们在两个常用基准数据集上进行了全面的实验证实以验证模型的性能。

    Dec, 2023

  • 使用简单约束改进知识图谱嵌入

    本文研究使用非常简单的约束来改进 KG 嵌入的潜力。我们通过在实体表示上施加非负约束条件以及在关系表示上施加近似蕴含约束来改进 KG 嵌入效果，进一步增强了嵌入空间的结构性。实验结果表明，我们的方法简单但惊人的有效，明显且一致地优于竞争对手的基准线。

    May, 2018

  • 知识图谱中基于上下文的实体类型识别

    本研究提出了一种利用上下文信息进行知识图谱实体类型推理的新方法，设计了两种推理机制：N2T 和 Agg2T，并提出了一种新的损失函数以减轻训练期间的误测问题。实验证明了该方法的有效性。

    Sep, 2021