开放世界的知识图谱补全
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
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
本研究使用文本为基础的方法提升了知识图谱补全的效果,并通过引入约束型提示来改善大型语言模型生成的文本质量,该方法在低资源计算条件下展现了有效的推理能力,并在 WN18RR 和 FB15K237 数据集上超越了之前的结果,为将大型语言模型应用于知识图谱补全任务提供了新的研究方向。
Oct, 2023
本文提出了一种轻量级模块化知识图谱完成 (GreenKGC) 方案,该方案包含三个模块:表示学习、特征修剪和决策学习,旨在解决在获得更好推理能力的同时保持较小的模型大小。实验结果表明,GreenKGC 可以在较小的模型尺寸下达到与高维嵌入方法相当甚至更好的性能,并且可以推广到更多任务中。
Aug, 2022
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
MPIKGC 是一个通用框架,利用大型语言模型从不同的角度查询以补偿环境化知识的不足,改进了基于描述的知识图补全方法,扩展了实体描述,理解关系,并提取结构,通过四种基于描述的知识图补全模型和四个数据集进行了广泛评估,适用于链接预测和三元组分类任务。
Mar, 2024
在这篇论文中,我们研究了与真实世界建设场景相关的三个重要过程:验证过程,挖掘过程和训练过程,并通过整合这三个过程引入了渐进式知识图谱完成(PKGC)任务,以模拟在真实世界场景中逐步完善知识图谱的过程。此外,为了加快 PKGC 处理,我们提出了两个加速模块:优化的 Top-k 算法和语义有效性过滤器,这些模块显著提高了挖掘过程的效率。我们的实验证明链接预测的性能不能准确反映 PKGC 的性能,更深入的分析揭示了影响结果的关键因素,并为未来的研究提供了潜在的方向。
Apr, 2024
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
本文介绍了一种名为 CKGC-CKD 的新方法,通过使用关系感知图卷积网络编码模型在集成的知识图谱和各自的知识图谱上进行训练,以最大程度地利用来自不同知识图谱的集体知识,从而缓解了个体知识图谱的不完整性,并通过相互知识蒸馏机制来进行知识传递,在多语言数据集上取得了比所有先进模型更好的知识图谱完成结果。
May, 2023
利用多级共享知识指导学习方法(SKG)在数据集级别通过文本摘要识别实体集合内的共享特征,而在任务级别则利用动态调整的损失权重提出了一种创新的多任务学习架构,有效缓解了子任务间知识共享不均衡的问题。实验证明 SKG-KGC 在三个知名数据集上显著优于现有基于文本的方法,尤其在 WN18RR 数据集上取得了显著提升。
May, 2024