WSDMMar, 2017

知识库三元组评分的神经分类器集成

PDF
TL;DR本文介绍了我们在 WSDM Cup 2017 的三元组评分任务中所采用的方法，该方法采用了多个神经网络分类器的输出，并使用监督式机器学习模型进行了组合。实验结果表明，我们提出的方法在三项指标中的一项（即 Kendall's tau）取得了最佳性能，并在其他两个指标（即准确度和平均分差）上表现出了竞争力。
triple scoring taskwsdm cup 2017neural network classifierssupervised machine learning modelkendall's tau
发现论文，激发创造
  • 2017 年 WSDM Cup 三元评分任务概述

    本文介绍了 WSDM Cup 2017 的三元组评分任务，包括任务和数据集的描述，参与团队及其结果的概述，以及采用的方法的简要说明。

    Dec, 2017

  • AKEM: 使用集成模型将知识库与查询对齐的实体识别和链接

    该研究论文提出了一种新方法来解决 NLPCC 2015 中的实体识别和链接挑战问题，通过扩展现有知识库并利用外部知识识别候选实体，提高了召回率，同时利用支持向量回归和多增加回归树作为评分函数来过滤结果，应用规则进一步优化结果并提高精确度，该方法计算效率高，F1 得分为 0.535。

    Sep, 2023

  • 神经百科全书：从知识库三元组生成文本摘要

    本论文探讨了如何使用神经网络将语义万维网数据的三元组信息转化为定长向量，并在此基础上生成自然语言摘要，经过在维基百科片段和数据库等数据集的训练和评估，表现出了良好的结果。

    Nov, 2017

  • 神经实体摘要与联合编码和弱监督

    本文提出了一种基于神经模型的监督式方法 NEST，用于在大规模知识图谱中联合编码图结构和文本，并生成高质量多样化的实体摘要，通过采用程序化标注数据进行训练，克服手动标注摘要数据的昂贵问题。研究表明，该方法在两个公共基准测试中明显优于现有技术。

    May, 2020

  • KDD-CUP 2021 WikiKG90M-LSC 解决方案

    WikiKG90M 是一个大型百科全书式的知识图谱，利用近期的表示学习方法，如 OTE、QuatE、RotatE 和 TransE，结合 DeepWalk 和平滑技术来预测图谱中缺失的三元组，通过实验结果证明了集成最先进的表示学习方法可以互相补充，并使用验证候选项开发特征工程来进一步提高预测性能。

    Jul, 2021

  • 学术知识图谱补全的三元分类

    本文提出了一种利用预训练的 transformer 语言模型来执行学术知识图谱补全的方法 ——exBERT，并在三个学术知识图谱完成数据集上表现优异，还提供了两个学术数据集作为资源。

    Nov, 2021

  • 从知识库中学习文本和实体的分布式表示

    我们提出了一种神经网络模型，该模型可共同学习文本和知识库实体的分布式表示。我们使用基于维基百科的大量文本和其实体注释来训练模型，并在涉及无监督和有监督设置的三个重要 NLP 任务（即句子文本相似性，实体链接和短问答）上进行了评估。在所有三个任务上，我们都取得了最先进的结果。

    May, 2017

  • 文本和基于结构的模型的集成用于知识图谱补全

    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

  • 通过弱监督重新利用知识图谱嵌入进行三元组表示

    本文提出了一种基于预训练知识图谱嵌入的三元组表示微调方法，利用 Siamese 网络训练，从而在三元组分类和聚类任务中实现了与其他最新技术相比的一致性改进。

    Aug, 2022

  • 文档排名的词实体对表示

    本文提出了一种单词实体对框架，用于利用知识库在自适应检索中，通过单词和实体的交互生成排序特征来排名文档，使用基于注意力的模型 AttR-Duet 来处理来自实体表示的不确定性，并证明了它们比基于单词或实体的系统更有效。

    Jun, 2017