关系型信息传递用于知识图谱补全
本研究提出了一种新方法 RMPI,它使用关系信息直接传递消息来充分利用子图推理中的关系模式,具有一定的归纳能力,并且可以比现有的全归纳 KGC 方法表现更好。
Oct, 2022
本文提出了一种基于无监督消息传递的复杂知识图谱问答方法,通过识别问题类型,并在图结构中传递置信度分数来进行答案实体的定位和聚合,其在 LC-QuAD 基准测试中表现优于现有方法,具有较高的实现效率和通用性。
Aug, 2019
本文提出了一种基于图神经网络对查询进行编码的通用架构,与现有方法相比,该方法可以编码更多种类型的查询。实验结果表明,该模型可以学习到表示实体类型的实体嵌入,并在复杂查询方面表现优异。
Feb, 2020
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
Nov, 2019
通过结合多种模型的查询表示,用注意力机制选择最合适的模型来回答每个查询,将模型映射到柏克莱球形空间中,以学习关系和结构模式,提供更高的表现力和推断能力,并在各种链接预测基准测试中展开了广泛的实验分析,表明综合模型优于个别模型,包括最先进的方法。
Feb, 2023
提出了 Temporal Message Passing (TeMP) 框架,通过结合图神经网络、时间动力学模型、数据填充和基于频率的门控技术来解决时态知识图中缺失事实的问题,实验表明我们的方法相较于现有的方法提高了 10.7%的平均相对精度,并提出了几个简单却强大的基线模型在某些情况下可以超越现有的最佳结果。
Oct, 2020
本文提出了一种通过图神经网络对实体邻域进行建模的增强型框架用于知识图谱补全,同时引入额外的边链接预测任务。评估结果表明,该框架简单且有效,并且能够做出可解释预测。
Feb, 2023
该研究提出了一种基于信息传递的图形编码器 StarE,能够对超关系知识图上的限定语进行建模,通过该模型,与三元组相关的附加信息(限定语)可以被编码。并且在该论文中,作者还描述了一种新的基于 Wikidata 平台的数据集 - WD50K,并证实了利用限定语进行链接预测的可行性。
Sep, 2020