本文提出了一种基于强化学习的多跳关系路径学习框架,利用知识图谱嵌入、采样方式和奖励函数提高路径推理的精度、多样性和效率,并在Freebase和Never-Ending Language Learning数据集上展示了其优异性能。
Jul, 2017
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
文中提出了两个方法来解决不完整知识图谱上的多跳推理查询回答中存在的问题,其一是使用预训练的一跳嵌入模型来估算未观察到事实的奖励,其二是使用随机生成的边缘掩码来强制代理探索不同的路径,该方法在多个基准数据集上明显优于现有的基于路径的KGQA模型,并且与基于嵌入的模型相当甚至更好。
Aug, 2018
提出了一种名为DacKGR的基于动态预测和补全策略的稀疏知识图谱中的多跳推理模型,实验结果表明该方法优于现有技术,可以更好地处理稀疏的知识图谱。
Oct, 2020
通过提出两种不同的基于规则的KBC方法,并结合神经符号AI,继承了布尔逻辑到实值逻辑,本文提出的模型实现了最佳的KBC精度,并通过将规则-based KBC与图嵌入相结合来解决关系路径的不均匀性。
Sep, 2021
本文提出了一种端到端的神经模型 - NCRL,用于学习组合逻辑规则,该模型能够检测到规则主体的最佳组合结构以及在小组成的基础上预测规则的结果,实验证明其可扩展,高效,并在大规模知识图谱上的知识图谱填充等任务中取得了最先进的表现。
Mar, 2023
FITCARL是一种结合了少样本学习和强化学习的TKGC方法,通过引入候选动作的置信度计算模块和实体概念信息正则化器提高了在TKG新出现实体预测方面的表现。
Apr, 2023
这篇论文提出了一种新方法来设计知识图谱补全基准测试,并用这个方法产生了几个测试集,对现有的知识图谱补全系统进行了评估,结果提供了现有模型从不完整的知识图谱中引入推理模式的新见解。
Jun, 2023
这篇论文介绍了知识图谱补全中规则学习方法的高效、可解释且与纯神经模型竞争的特点,提出了规则聚合问题的概念,并探讨了其理论基础。研究证明了现有的聚合方法可以通过对预测规则进行边缘推断操作来表示,并提出了一种既有效又被忽视的基准方法,与计算复杂度更高的方法具有竞争力。
Sep, 2023
通过对规则集进行三种简单的扩充,并剪枝低质量规则,实验结果表明这些简单的扩充方法能够持续改善结果,使得使用扩充规则的模型在MRR上获得高达7.1百分点的增益,并在Hits@1上获得8.5百分点的增益。
Jul, 2024