基于图神经网络的非知识库实体知识迁移

IJCAIJun, 2017

基于图神经网络的非知识库实体知识迁移

Knowledge Transfer for Out-of-Knowledge-Base Entities: A Graph Neural Network Approach

Takuo Hamaguchi, Hidekazu Oiwa, Masashi Shimbo, Yuji Matsumoto

TL;DR本文介绍了一种利用图神经网络计算 OOBK 实体嵌入的知识库完整性完成（KBC）模型，并在 WordNet 数据集上实现了最先进的性能。

Abstract

knowledge base completion (KBC) aims to predict missing information in a knowledge base.In this paper, we address the out-of-knowledge-base (OOKB) entity problem in KBC:how to answer queries concerning test entities not observed at training time. Existing embedding-based KBC models ass

knowledge base completion oobk entity problem graph neural networks embeddings wordnet dataset

发现论文，激发创造

利用嵌入式知识图谱进行链接预测

本文介绍了基于嵌入式知识图谱网络的知识库完成方法，通过使用端到端反向传播训练，可以将大型知识库压缩成优化的版本，并在知识库完成基准测试中取得了最新的最佳结果。

Nov, 2016

利用概念感知信息在时间知识图上进行小样本归纳学习

该研究提出了一种用于预测时间知识图谱中未出现实体链接的新方法，其中利用元学习和新构建的数据集来实现对未见实体的归纳学习，在此基础上提出了概念感知模型来提高模型比较性能。

Nov, 2022

ZeroKBC: 一项全面的零样本知识库补全基准测试

研究知识图谱不完整问题，并提出全面的基准测试 ZeroKBC，从多维度角度探究零样本知识库完善领域的挑战和未来发展方向。

Dec, 2022

利用节点邻域改进知识图谱完成

本文提出了一种通过图神经网络对实体邻域进行建模的增强型框架用于知识图谱补全，同时引入额外的边链接预测任务。评估结果表明，该框架简单且有效，并且能够做出可解释预测。

Feb, 2023

知识图谱补全模型的开放环境扩展

提出了一种新颖的嵌入式知识图谱完整模型扩展，使其能够执行开放世界链接预测，该模型结合从文字语料库中学习的词嵌入和从知识图谱中学习的常规链接预测模型，通过独立训练这两个模型并进行变换，将实体名称和描述的嵌入映射到基于图的嵌入空间中，实验结果表明我们的方法在多个数据集上都取得了有竞争力的效果且无需对图和文本进行联合训练。

Jun, 2019

通过记忆推理：最近邻居知识图嵌入

本文提出了通过预训练语言模型和 k 近邻的知识图谱嵌入新方法 kNN-KGE，使得 rare 或 emerging entities 更容易被显式地存储，而非隐式存在于模型参数中，实验证明该方法可提高归纳式和传导式链接预测结果，并在只有很少的三元组的低资源情况下获得更好的性能。

Jan, 2022

实体和关系嵌入模型在知识图谱补全中的调查

本研究是对实体和关系的嵌入模型在知识图谱完善领域的综合调查，总结了标准基准数据集的最新实验结果，并指出了潜在的未来研究方向。

Mar, 2017

知识库完成模型的预训练与诊断

介绍并分析一种无需实体或关系匹配将一个事实集合中的知识转移到另一个集合的方法，该方法对规范化知识库和非规范化或开放式知识库都适用。通过在无结构文本中收集的大规模预训练的事实，改进了对特定领域的结构化数据的预测，并通过实验验证了该方法在小数据集上的显著提升。此外，引入了一种新的用于分析开放式知识库完成的预训练模型的数据集，名为 Doge，通过该数据集揭示了现有模型的一些缺陷和问题。

Jan, 2024

一个主题感知的图神经网络模型用于知识库更新

基于用户查询日志，构造主题感知的图网络进行知识更新，通过实体属性图训练 GNN 实体更新模型以确定实体是否需要同步，并使用最小编辑次数算法将过滤的实体与知识库中的实体进行匹配和更新。

Aug, 2022

序列到序列的知识图谱补全与问答

本研究使用 Transformer 模型代替传统知识图谱嵌入模型 (KGE) 的原子嵌入表示，将 KG link prediction 问题转化为序列到序列任务以及使用自回归解码。相比于传统 KGE 模型，这种简单而强大的方法在保持推理时间可控的同时，将模型大小减少了多达 98％，在不进行过多超参数调整的情况下，在多个大型数据集上的表现优于基线。

Mar, 2022