SIGIRMay, 2018

知识图谱事实的弱监督上下文化

PDF
TL;DR本文介绍了一个新的神经事实情境化方法（NFCM）来解决知识图谱事实情境化任务。 NFCM 首先在给定事实的附近生成候选事实集，然后使用监督学习来对候选事实进行排序。
knowledge graphsfact contextualizationneural fact contextualization methodsupervised learning to rank modeldistant supervision
发现论文，激发创造
  • 学习常识推理的情境化知识结构

    该研究提出一种名为 Hybrid Graph Network（HGN）的知识图谱（KG）增强模型，通过在一个统一的图结构中同时推理提取和生成的知识来解决 KG 边缘稀疏和嘈杂的问题，证明了该模型在四个常识推理基准测试中取得的相当大的性能增益，并研究了边缘有效性和帮助性。

    Oct, 2020

  • FusionMind -- 提升问题与回答的外部上下文融合

    利用预训练语言模型（LMs）和知识图谱（KGs）解答问题存在识别相关知识和进行联合推理的挑战。通过与先前发表的 QAGNN 方法进行比较，我们发现将相关的知识事实纳入问题上下文有助于提高问题回答性能，而将知识图谱融入语言模型中则只能带来少量增长，这表明将上下文知识事实结合起来可能对增强问题回答性能更具影响力。

    Dec, 2023

  • 将上下文融入知识图谱以用于常识问答

    本文提出一种通过利用外部实体描述来为知识理解提供上下文信息的方法，将其作为预训练语言模型的附加输入，以解决知识图谱融合到语言建模中的问题，并获得了常识 QA 数据集中最先进的结果和 OpenBookQA 中非生成模型中最好的结果。

    Dec, 2020

  • ComFact: 上下文常识知识链接基准

    本研究提出新的任务 —— 通识事实连接，并构建了一个新的基准数据集 ComFact，结果表明启发式事实连接方法是不精确的知识提取器，而学习型事实连接模型则明显改善了下游任务表现。

    Oct, 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

  • 基于知识图谱的神经网络在自然语言处理中的应用

    提出了一种增强学习模型的方案，即通过知识图谱的事实三元组来为自然语言处理任务提供上下文知识，并采用基于卷积的模型来减少关注空间，从而大大提高了文本分类和自然语言推理任务的性能。

    Feb, 2018

  • FactKG: 通过知识图谱推理进行事实验证

    介绍了一个名为 FactKG 的新数据集，该数据集包含 108k 个自然语言声明及其相关类型的推理，旨在通过推理知识图谱来进行事实验证，并开发了基于这些推理类型的基线方法，以提高知识图谱的可靠性和实用性。

    May, 2023

  • KGPool: 动态知识图谱上下文选择在关系抽取中的应用

    本文提出了一种新方法，通过将句子和两个实体映射到知识图谱中的标准事实，从单个句子中提取关系；引入了 KGPool 方法来解决数据稀疏的问题，通过神经方法学习事实的表示来补充句子的上下文，并使用图神经网络演示了该方法的有效性。

    Jun, 2021

  • 探索基础模型的上下文学习能力，用于从文本中生成知识图谱

    通过自然语言处理中的上下文学习，自动提取命名实体及其关系，实现知识图谱自动化构建。

    May, 2023