本论文提出了一个新的模型,即 FSRL 模型,在少量有参考的情况下学习新关系,可以更有效地从异构图结构中获取知识,并匹配每个关系的参考集中的相似实体对。实验结果表明,该模型优于现有的最先进的模型。
Nov, 2019
本文提出了一种零样本学习方法,利用生成对抗网络从文本描述中学习新关系的语义特征并在知识图谱中识别新关系的事实,使得知识图谱的扩展更加容易,实验结果表明这种方法可以被广泛应用于任何版本的知识图嵌入,并在 NELL 和 Wiki 数据集上实现了一致的性能提升。
Jan, 2020
本文提出一种针对时间知识图谱的 few-shot learning 模型,通过时间关系建模,实现了在单样本情况下,对时间知识图谱进行关系预测
May, 2022
本研究基于 Meta Relational Learning 框架,针对在知识图谱上进行少样本关系预测的挑战,通过转移关系特异的元信息来实现优化学习,最终在少样本关系预测基准测试中取得了最先进的成果。
Sep, 2019
本文提出了一种基于认知图的一次性知识图谱推理方法 CogKR,该方法在一次或少量训练实例的情况下可以推断出原始知识图谱中未见过的关系类型,实验表明该方法在 one-shot KG reasoning benchmark 上相对改进了 24.3%-29.7%。
Jun, 2019
通过将知识图谱关系的文本描述输入到大型语言模型中,我们提出了一种新的方法以解决传统知识图谱预测中的无先验图谱上下文的零样本关系建模问题,并通过引入大型语言模型增强的关系表示,使传统模型能够识别没有观察到的关系,在预测未知关系方面取得更好的性能。
Nov, 2023
该研究提出了一种基于元学习的框架,通过使用文本描述来处理罕见关系和少见实体,其中包括一个新颖的模型来更好地从文本描述中提取关键信息,并引入了新的生成模型来增强性能。实验结果表明,此框架处理罕见关系和少见实体时优于以往的方法。
我们提出了一个新颖的端到端框架,包含三个组成部分:多模态学习器、结构整合器和关系嵌入生成器,以整合多样化的多模态信息和知识图结构,从而促进零样本关系学习。通过对两个多模态知识图的评估结果,证明了我们提出方法的卓越性能。
Apr, 2024
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
本文提出了一种基于循环跳跃网络的知识图谱嵌入方法,能够高效地捕获实体之间长期关系,特别适用于跨知识图谱嵌入和实体对齐等任务,在实验中达到当前最优水平。
May, 2019