EMNLPNov, 2019

通过知识库补全对路径进行推理

PDF
TL;DR本论文探讨了一种简单的方法，使用知识库完成模型（KBC）和学习的嵌入向量，自动构建和排序源实体和目标实体对之间的路径。我们使用获取的生物医学科学文献挖掘了一个知识图，并提取了一组高频路径用于验证。实验结果表明，我们的方法能够有效地排列实体对之间的已知路径，并提出了未在知识图中存在的合理路径。对于给定的实体对，我们能够在排名前 10 的路径中 60% 的时间内重构出排名最高的路径，并达到 49％的平均精度。由于任何能够产生实体向量表示的 KBC 模型都可以使用，因此我们的方法具有组合性
发现论文，激发创造
  • 散步并到达答案：利用强化学习在知识库中推理路径

    提出了一种名为 MINERVA 的算法，采用神经强化学习方法解决在只知道一个实体的情况下，找到预测路径的困难问题，以实现知识库（KB）的完善，这种方法在多个数据集上均取得了最新成果。

    Nov, 2017

  • 层次结构注意力路径排名

    本文介绍了一种新的路径模式表示方法 —— 专注路径排序，以及一种利用类型层次结构的实体从数据中发现新路径模式的 RNN 模型，并在 WN18RR 和 FB15k-237 数据集上展示了比现有方法更好的事实预测任务表现。

    May, 2019

  • 知识库表示学习的关系路径建模

    本文提出了一种基于路径的知识库表示学习模型，将多步关系路径作为实体之间表示学习的翻译，利用路径约束资源分配算法度量路径可靠性，并通过关系嵌入的语义组合来表示关系路径；实证研究结果表明，与基线方法相比，我们的模型在知识库完成和文本关系提取方面取得了显著且一致的改进。

    Jun, 2015

  • 利用嵌入式知识图谱进行链接预测

    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

  • 利用关系路径的混合语义进行知识图谱上的多跳问答

    本文提出了一种利用关系路径的混合语义来改善多跳知识图谱问答（KGQA）的方法，以较大程度的解决理解复杂问题的问题，通过实验证明该方法在多跳场景下的优越性。

    Sep, 2022

  • 在向量空间中遍历知识图谱

    研究表明，通过嵌入知识图谱的向量空间，可以递归应用于回答路径查询来解决知识图谱中缺失事实的问题。引入新的 “组合性” 训练目标，大大提高了所有模型回答路径查询的能力，并在标准知识库完成任务上取得了新的最佳结果。

    Jun, 2015

  • 松耦合知识图谱嵌入和基于本体推理的方法

    通过将知识图谱嵌入的数据驱动能力与领域专家或包含 OWL2 的蕴涵方案等领域特定推理松散地耦合，我们不仅能够提高预测精度，而且还允许用户插入自己的知识图谱嵌入和推理方法。我们的初步结果表明，我们的方法将基准知识图嵌入的平均倒数排名（MRR）精度提高了最高 3 倍，并且超过了将知识图嵌入与规则挖掘和推理相结合的混合解决方案高达 3.5 倍 MRR。

    Feb, 2022

  • 为知识库完备性建立组合向量空间模型

    该论文提出了一种使用递归神经网络推理多跳关系的新方法，通过向既有的知识库添加由多跳关系推理得出的新事实实现知识库完成，并在新整理的数据库上展示了 11% 的准确度提升。

    Apr, 2015

  • 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

  • 连接信息点：基于常识问题回答的知识路径生成器

    本文提出了使用具有知识的路径生成器增强普通常识问题回答框架的方法，并使用现有路径和最先进的语言模型外推，生成连接文本中一对实体的动态，可能是新颖的多跳关系路径，从而提供解决常识问题所需的结构化证据。两个数据集上的实验表明，我们的方法优于之前完全依赖 KG 知识的研究（精度提高了高达 6%），而且生成的路径通常是可解释的、新颖的，也与任务相关。

    May, 2020