ACLApr, 2017

一个可解释的知识迁移模型用于知识库完成

PDF
TL;DR本研究提出了一种新的嵌入模型 ITransF，它通过稀疏注意机制来完成知识库的补全，并在两个基准数据集（WN18 和 FB15k）上进行了评估，相对于没有使用额外信息的所有基线，ITransF 在知识库补全任务上都显示出了更好的性能。
发现论文，激发创造
  • 知识库补全与迁移学习结合

    本文提出了一种有效的预训练方法，用于从非结构化文本中提取的事实的规范化和非规范化知识库，通过小数据集上实验证明其相对于已有方法的改进，不依赖于大型预先训练的模型（如 BERT）

    Aug, 2021

  • 多关系投影下的知识图谱嵌入

    TransF 是一种新型的基于翻译的方法，可用于对知识图谱进行嵌入学习和关系预测，在处理具有数千种关系的复杂知识图谱时，具有高效性和鲁棒性，比现有的方法表现更好。

    Jan, 2018

  • 邻域混合模型用于知识库补全

    本文介绍了一种新的实体表示方法，并将其应用于知识库补全中的 TransE 嵌入模型，实验证明这种方法可以明显提高 TransE 模型在三种基准数据集上的性能。

    Jun, 2016

  • 为知识图谱补全预训练变形器

    文章介绍了一种名为 iHT 的知识图谱 (KG) 表征模型，该模型基于 Transformer 并经过大规模预训练，由实体编码器和邻居感知关系得分函数组成，可用于 KG 补全，经过实验证明其具有很好的泛化能力和良好的表现。

    Mar, 2023

  • KERMIT: 知识图谱增强关系建模与逆转换的完成

    通过数据扩充和反向关系机制，本研究提出了一种知识图谱补全方法，利用文本描述和聊天式人工智能模型来增强可用数据的多样性和丰富性，从而实现更准确的结果。

    Sep, 2023

  • STransE: 一种知识库实体和关系的新型嵌入模型

    本文提出一种新的嵌入式模型 STransE，结合了多种先前的链接预测模型，用于知识库的链接预测任务，它将每个实体表示为低维向量，用两个矩阵和一个翻译向量表示每个关系，并在两个基准数据集上获得更好的链接预测表现。

    Jun, 2016

  • 结合自适应增强语义信息的知识图谱补全方法

    该研究构建了一种知识图谱补全方法，通过微调 BERT 模型获取三元组中隐藏的语义信息，并使用注意力特征嵌入方法计算正负三元组中关系和实体之间的语义注意力得分，形成软约束规则来实现语义信息的自适应增强。此外，考虑到高维向量对影响，使用 BERT-Whitening 方法降低维度，提高语义向量的效率。经实验比较，在 FB15K 和 WIN18 数据集上，所提出的方法表现更好，比原始翻译模型有约 2.6％的数值改善。

    Feb, 2023

  • 知识图谱完善：基于知识检索和阅读理解的方法

    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

  • 基于集成知识迁移的多语言知识图谱补全

    本文提出了一种名为 KEnS 的新型框架，用于跨多个语言特定的知识图谱进行嵌入学习和集成知识传递，实现 KG 完成的改进。

    Oct, 2020

  • DualTKB: 文本与知识库之间的双重学习桥梁

    本文提出了一种基于双向学习的无监督文本到路径和路径到文本转化方法，研究了弱监督对模型性能的影响，并提出了一种适用于生成模型的 Commonsense KB 完成度量。实验结果表明，该方法与现有的基线方法相比，效果明显提高，是实现自动 KB 构建 / 扩展和 KB 转化的可行方法之一。

    Oct, 2020