May, 2017

威廉・莎士比亚是否真的写了《哈姆雷特》？具有置信度的知识表示学习

PDF
TL;DR本文提出了一种新的置信度感知知识表示学习框架，利用结构信息来检测知识图谱噪声，并在学习知识表示时具有置信度，实验表明其在检测和处理知识图谱噪声方面具有显著的提高和一致性。
knowledge graphsknowledge representation learningconfidence-awarestructural informationkg noise detection
发现论文，激发创造
  • 知识图谱的三重可信度测量

    本论文中提出了一种能量量化知识图谱三元组语义正确性和表达事实的真实程度的知识图谱三元组可信度测量模型，通过交叉神经网络结构融合三个层面（实体级、关系级和 KG 全局级）的内部语义信息和全局推理信息来实现可信度测量和融合，并在真实数据集 FB15K 上进行了实验，结果表明与其他模型相比，我们的模型实现了显着和一致的改进。

    Sep, 2018

  • 跨图表示学习实现高效知识图谱验证

    利用知识图谱中概念语义信息的交叉表示学习框架 CrossVal，通过嵌入三元组、绘制交叉负样本及估计每个三元组的正确性程度来有效验证知识图谱中的三元组。

    Aug, 2020

  • 知识图谱错误检测与对比置信度调整

    我们提出了一种知识图谱错误检测模型 CCA，通过整合三元组重构中的文本信息和图结构信息，以更好地区分语义，设计交互式对比学习来捕捉文本和结构模式之间的差异，并通过构建包含语义相似噪声和对抗噪声的现实数据集来验证实验结果，表明 CCA 在检测语义相似噪声和对抗噪声方面优于现有基线模型。

    Dec, 2023

  • 学习超关系知识图谱的表示

    本文介绍了一个框架，它使用多个聚合器从 base triple 和 qualifiers 两个角度来学习超关系事实的表示，并证明了其在多个数据集上进行超关系知识图完整性的有效性。

    Aug, 2022

  • 知识图谱对比学习用于推荐

    提出了一种知识图谱对比学习的框架 (KGCL)，该框架通过知识图谱增强模式减少了噪声，利用交叉视图对比学习技术进一步抑制了噪声，实现了在稀疏、长尾和有噪声的知识图谱场景下的强大性能。

    May, 2022

  • 基于概率逻辑的常识表征框架：用于建模具有多个前提和变化可能性的推理

    本论文研究如何更好地表示常识知识，提出了一种概率逻辑表示方案和一种层次化概念本体论，能够更灵活地表示信念，并在神经符号应用中使用。通过专家注释和群众众包，将这个框架扩展到 PrimeNet 知识库，并展示其在更易解释的语义解析和问题回答中的应用。

    Nov, 2022

  • 超越三元组：上下文知识图表示与推理

    本文介绍了知识图谱（KGs）以及其与关系知识的上下文信息的整合，重点讨论了基于三元组的 KGs 存在的局限性和上下文 KGs 的优势，并提出了 KGR$^3$，一个利用大型语言模型（LLMs）进行 KG 推理的范例，实验证明 KGR$^3$ 显著提高了 KG 补全和 KG 问答任务的性能，验证了将上下文信息整合到 KG 表示和推理中的有效性。

    Jun, 2024

  • 基于上下文和知识图谱的动态表示

    本文提出了一种名为 CKG 的动态表示方法，利用外部知识图谱中的实体信息来提高语言句子的正确语义，实验表明，CKG 在多项任务中达到了最优结果。

    Dec, 2022

  • 提升超关系知识图谱补全

    该研究提出了一种用于高度关联知识图谱 (HKGs) 补全的方法，该方法引入了两个新修订：一是用轻量级实体 / 关系嵌入处理技术替换计算量大的图神经网络模块以提高计算效率；二是增加一个定向于合格证的辅助训练任务以提高该方法的预测能力，并且该方法在三个基准数据集上的实验中始终优于 STARE，计算效率显著提高。

    Apr, 2021

  • 辩论动态下的知识图谱推理

    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