使用生成参数的图神经网络进行关系提取
我们提出了一种名为 GNN-Ret 的新型检索方法,利用图神经网络(GNNs)考虑段落间的相关性来增强检索过程,并通过 RGNN-Ret 处理多跳推理问题,从而提高问题回答准确率。实验结果表明,GNN-Ret 相比多次查询的强基线方法在单次查询 LLM 的问题回答准确率上更高,而 RGNN-Ret 进一步提高了准确率,在 2WikiMQA 数据集上的准确率提高了 10.4%。
Jun, 2024
本文旨在探索多站点问答任务的 RGCN 模型、图形关系和节点嵌入,并在 WikiHop 数据集上经验性地探讨每个关系、节点类型和嵌入对多站点 QA 性能的影响。
Oct, 2022
本文提出一种图检索机制叫做 GraphRetrieval 通过检索训练图来加强现有的图神经网络模型,利用自注意力的适配器从被检索图中获取有益信息并消除噪声,实现了对现有 GNN 模型效果的显著提升。
Jun, 2022
本文提出了一种基于图形关系推理网络方法 (GR2N) 的社交关系识别方法,该方法相比现有方法能够更快,更准确地构建社交关系图,并显式地抓住不同类型社交关系之间的强逻辑约束,从而提高社交关系图的性能。
Jul, 2020
本研究展示了一种新颖的解释方法 GNN-LRP,通过高阶扩展和嵌套属性方案来提取与预测相关的输入图形的漫游集合,可为图神经网络和情感分析等提供实用洞见。
Jun, 2020
该论文提出了一种新的 Graph Neural Network 体系架构(RioGNN),通过使用增强、递归和灵活的邻域选择机制来处理复杂和多样化的边缘,并通过在不同关系之间筛选重要关系来提高效率和解释性。实验结果表明,该方法比其他比较方法更有效,更高效,并具有更好的模型解释性。
Apr, 2021
本研究提出了一种新的集合多关系图神经网络通过设计集合多关系(EMR)优化目标来同时解决以前多关系 GNN 中扩充和过度参数化的问题,并截取了一个多关系 GNN,以缓解过度平滑和过度参数化问题,并在四个基准数据集上进行的广泛实验表明了所提出的模型的有效性。
May, 2022
提出了一种新的知识图推理方法,Relational rUle eNhanced Graph Neural Network (RUN-GNN),通过查询相关的融合门单元来建模关系组合的连续性,并利用缓冲更新机制来减轻滞后的实体信息传播的负面影响,从而实现更高质量的关系规则学习。实验结果表明 RUN-GNN 在跨领域和归纳式链接预测任务上具有优越性。
Oct, 2023
基于 Lifted Relational Neural Networks 语言实现了一个说明性可区分编程框架,用于编码关系学习场景,特别关注图神经网络的高关系表达能力。该框架能够快速构建一些高效紧凑的神经网络结构,并提出了一些关于现有图神经网络模型的改进建议。通过与专业 GNN 学习框架的比较,证明了该框架具有正确性和计算效率,并为现有 GNN 模型的学习性能提供了一些启示。
Jul, 2020