知识图谱中的事实核查:辨别性谓词路径挖掘
介紹了一種基於無監督網絡流的方法來評估主體,述語和客體三元組的真實性,並列舉該模型在多個領域上優於現有算法,同時還能發現有用的路徑模式和相關事實,有助於協助人工查核確認或否定說法。
Aug, 2017
本文介绍了一个基于知识图谱的事实检查方法,利用其中的语义表示和逻辑规则进行推理,以产生可解释的结果。实验表明,这种基于概率推理的方法比现有技术水平更具准确性。
Jun, 2019
提出了一种名为 DC-Path 的方法,结合动态关系置信度和其他指标评估路径特征,并指导路径搜索,最终进行关系推理,实验结果表明,该方法在当前关系推理任务中能够从知识图谱中选择最具代表性的特征,并实现更好的性能。
Nov, 2022
提出了一种基于辩论动态的知识图谱事实检查新方法,利用强化学习代理抽取路径来论证事实真假,并通过二元分类器判断真假;该方法可解释用户决策,允许用户参与推理和评估辩论,提高各类基于知识图谱的人工智能应用的接受度、效率、稳健性和公正性。
Jan, 2020
通过辩论动态理论提出了一种自动推理知识图谱的新方法,以三段式分类为例,该方法基于增强学习代理和二进制分类器解释和预测关于知识图谱中观点真实性的辩论证据,从而可用于知识图谱的推理和链接预测,实验表明该方法优于其他基线模型。
Jan, 2020
该研究提出了自适应细粒度谓词分辨学习方法,运用自适应谓词叶结点图的方法定位难以辨别的谓词并逐步规范学习,最终在 VG-SGG 和 GQA-SGG 数据集中的平均召回率上分别提高了 175%和 76%,取得了新的最佳性能。
Jul, 2022
本文介绍了关系路径覆盖和关系路径置信度的概念,以在模型训练之前过滤出不可靠的路径,提升模型性能,并提出了知识推理句子变换器(KRST)来预测 KG 中的归纳关系。我们在三个真实世界数据集上进行了广泛的实验,实验结果表明,与 SOTA 模型相比,KRST 在大多数传导和归纳测试用例(6 个中的 4 个)和 12 个 few-shot 测试用例中的 11 个中实现了最佳性能。
Jan, 2023
通过提出一个新的基准测试,该研究论文旨在解决通过评估协议以考量系统的能力,从而能在更细粒度的三元槽级别上测量事实链接性能,同时测量一个系统是否能识别到表面形式在现有知识图谱中没有匹配项。研究还表明,与准确链接到现有实体相比,检测出现有知识图谱中不存在的实体和谓词更加困难,因此需要更多的研究努力来解决这个难题。
Oct, 2023
介绍了一个名为 FactKG 的新数据集,该数据集包含 108k 个自然语言声明及其相关类型的推理,旨在通过推理知识图谱来进行事实验证,并开发了基于这些推理类型的基线方法,以提高知识图谱的可靠性和实用性。
May, 2023