适配元知识图谱信息以进行少样本关系的多跳推理
本文研究了在元学习范式下，少样本知识图谱推理的挑战和实际问题。提出了一种新的元学习框架，有效利用了本地图邻居和知识图谱中的推理路径等任务特定元信息。在两种少样本知识库补全基准测试中，我们展示了增强的任务特定元编码器比 MAML 更好，优于几个少样本学习基线模型。
Aug, 2019
本论文提出了一种新颖的知识感知方法，将预训练语言模型与多跳关系推理模块相结合，对外部知识图谱子图进行多跳关系推理。该方法统一了基于路径的推理方法和图神经网络，提高了可解释性和可伸缩性，并在常识问答和开放式书面问答数据集上证明了其有效性和可伸缩性，并通过案例研究进行了解释。
May, 2020
UniKGQA 是一种新的多跳知识图谱问答方法，通过统一检索和推理模型架构和参数学习，基于预训练语言模型的语义匹配模块和匹配信息传播模块进行问题与关系的语义匹配，采用共同的预训练任务和检索以及推理定向的微调策略。
Dec, 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
Few-shot Knowledge Graph Relational Reasoning has become increasingly important in natural language processing applications, and SAFER presents a novel approach to effectively adapt contextualized graph information to perform prediction, demonstrating its superiority in experimental results.
Jun, 2024
本文研究少样本时间知识图谱推理问题，提出了 MetaTKGR 框架，通过时间监督信号对未来事实进行快速反馈，动态调整采样策略，并提供时间适应正则化器来稳定元时间推理。 在三个真实世界的时间知识图上进行的大量实验证明了 MetaTKGR 相对于最先进的基线模型的卓越性能。
Oct, 2022
本文提出了一种拓扑感知的、适用于归纳和推理环境下的多模态知识图谱推理方法 TMR，该方法主要由任务感知归纳表示和关系增强自适应强化学习两个组件构成，并在不同规模的归纳推理数据集上进行了评估。实验表明，TMR 在归纳和推理环境下均优于现有的多模态知识图谱推理方法。
Jun, 2023
本研究提出了一种名为 MMKGR 的新型模型，其中包含一种统一的门 - 关注网络和一种补充特征感知的强化学习方法，通过有效的多模态补充特征和多次迭代推理，能够更好地实现知识图谱方面的任务，与现有方法相比推理性能更好。
Sep, 2022
本文提出了一种新的基于超图的模型，用于解决知识库视觉问答中的多跳推理问题。该模型可以将高级问题的语义和知识库相结合，并通过超图内部和跨越两个超图之间的关联编码来预测答案。我们的实验证明了该方法的有效性。
Apr, 2022
本文介绍了一种基于知识图谱的问答系统，采取了一种新型的深度学习架构和端到端变分学习算法，可以同时处理问题中的噪声和多跳推理，在最新的基准数据集中取得了最优表现。
Sep, 2017