WWWSep, 2018

知识图谱的三重可信度测量

PDF
TL;DR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。
knowledge graphtrustworthiness measurement modelsemantic correctnessglobal inference informationerror detection task
发现论文，激发创造
  • 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

  • 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

  • 知识图谱补全综述

    该研究论文介绍了知识图谱在信息抽取方法中的应用，探讨了表示学习和图神经网络在知识图谱完成中的作用，以及如何利用知识图谱在下游任务中预测缺失的链接。

    Aug, 2022

  • 基于多源嘈杂数据的可信知识图谱补全

    本研究提出了一种基于多个噪声数据源和 KG 中现有事实的知识图谱，采用图神经网络建议了一种整体评分函数，结合价值对齐网络解决了价值间的异质性并将其映射到实体，进而设计了一个真实推理模型，并采用半监督学习法从异构价值中推导出真实性。

    Jan, 2022

  • 信任的知识图解释与常识推理

    融合语言模型和知识图谱已经变成通识问题回答研究中的常见做法，但在这些模型中实现忠实的思维链解释仍然是一个开放问题。本研究的两个主要贡献是：(1) 提出并验证了两个定量指标 - 图一致性和图忠实度 - 用于衡量基于知识图谱的解释的忠实性。(2) 引入了一种新颖的训练方法 Consistent GNN (CGNN)，通过增加一项一致性正则化项来提高解释的忠实性。分析结果表明，知识图谱的预测往往与原始模型的预测偏离。所提出的 CGNN 方法提高了一致性和忠实度，展示了它产生更忠实解释的潜力。我们的工作强调明确评估的重要性，并为开发基于图的忠实解释结构提供了前进的方向。

    Oct, 2023

  • 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

  • 基于知识增强图神经网络的 SIoT 可信度评估

    本文提出了一种知识增强的图神经网络（KGTrust），用于在社会物联网（SIoT）中进行更好的信任评估，该方法结合了用户和对象的语义知识以及增强的信任关系，能够有效地捕捉 SIoT 信任的多方面特性。实验结果表明，KGTrust 方法优于当前的最先进方法。

    Feb, 2023

  • 基于三元组 BERT 网络的知识图谱精化

    本文利用三元组网络和基于 transformer 的语言模型，采用信息聚类方式对知识图谱中的实体或关系进行 embedding，提升关系预测准确性。通过在多个基准知识图谱上的 triplet 分类和关系预测任务的表现验证了 GilBERT 方法的优越性。

    Nov, 2022

  • 评估知识图谱嵌入的校准性，用于可靠的链接预测

    本文研究了知识图谱嵌入模型的可信度，并通过校准技术在标准的封闭世界状态下对其进行了评估，然后引入更现实但具有挑战性的开放世界状态。最后通过人机协作案例来说明校准的实用性。

    Apr, 2020

  • 三元组检索的图式推理问答

    提出了一种简单而有效的方法来检索和重新排序与问题回答相关的三元组，并将它们与问题连接以提高语言模型的表现，实验结果显示，其在常识问答和开放式书本问答数据集上均表现优于现有的最佳方法。

    May, 2023