Nov, 2019

少样本知识图谱补全

PDF
TL;DR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。
knowledge graphkg completionfew-shot learningrelation learningnatural language processing
发现论文，激发创造
  • 知识图谱的单次关系学习

    本文提出了一种基于嵌入模型的一次性关系学习框架，将已有的知识和一跳图结构相结合，来预测在只有一个训练样例的情况下的新事实，并通过实验证明，在新关系预测和嵌入模型训练上，该模型具有巨大的性能优势。

    Aug, 2018

  • 自适应关注网络用于少样本知识图谱补全

    本研究提出了一种自适应注意力网络来进行少样本知识图谱补全，通过学习自适应的实体和参考表示形式，实现了对实体和参考贡献进行区分，该方法在两个公共数据集上的链接预测中获得了最新的表现结果。

    Oct, 2020

  • 为少样本知识图谱补全学习关系特定表示

    本文提出了一种关系特定的上下文学习框架，通过提取图上的上下文信息和设计分层注意力网络和注意力池化器，可以全局和局部地学习表示来进行 FKGC 任务，实验结果证明了其优于现有的方法。

    Mar, 2022

  • Few-shot 知识图谱补全中的结构和常识知识调查

    本研究通过对少样本知识图谱自动补全任务的学习方法、任务应用、以及未来研究领域的调查和总结，提出了一种使用图形表示学习和少样本学习优势的 FKGC 方法，以期解决常规 KG 和 CKG 补全任务中长尾关系及新关系的问题，并在不同领域的预测任务中应用 FKGC 模型。

    Jan, 2023

  • 基于连接子图预训练的少样本关系推理

    本文提出基于 Connection Subgraph Reasoner 的 few-shot knowledge graph completion 方法，通过建模支持三元组和预测三元组之间的共享连接子图，实现直接针对目标 few-shot 任务的预测。而无需事先在人类策划的训练任务集中进行预训练，该方法在真实知识图谱上的实验表明其效果明显优于现有方法。

    Oct, 2022

  • 基于门控与注意力邻居聚合器的关系学习，用于少样本知识图谱完成

    本文提出了一个使用全局 - 局部框架的少样本关系学习方法，在全局阶段中，引入了一种新颖的门控和注意力邻居聚合器用于准确地集成少样本关系邻居的语义信息，并在局部阶段中使用基于元学习的 TransH 方法来模拟和推断复杂的关系，实验证明该模型在常用基准数据集 NELL-One 和 Wiki-One 上比最先进的 FKGC 方法表现更好，具有更好的 5-shot FKGC 性能。

    Apr, 2021

  • 处理知识图谱补全中的长尾关系和罕见实体

    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。

    Sep, 2019

  • 学习一次关系的元表示，用于时态知识图谱链接预测

    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

  • 生成式对抗零样本关系学习用于知识图谱

    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

  • 关系三元组提取的互相指导的少样本学习

    本文提出了一种基于 Mutual Guided Few-shot 学习框架的关系三元组抽取方法，该方法通过实体解码器和关系解码器相互指导，加上原型融合模块，能够在使用少量数据的情况下显著提高抽取准确度，在 FewRel 1.0 和 FewRel 2.0 数据集上表现优异。

    Jun, 2023