WWWApr, 2020

基于结构增强的文本表示学习用于高效的知识图谱补全

PDF
TL;DR本研究旨在整合知识图谱的图嵌入和文本编码技术，以提高自动完成知识图谱的性能，实现更精确的链接预测和结构学习。实验结果表明，该方法能实现与文本编码方法相比 1-2 个数量级的推理成本减少和最先进的性能表现。
发现论文，激发创造
  • 联合结构和文本编码的知识图谱表示

    本文提出一种新颖的深度架构，以利用实体的结构和文本信息的宝贵信息。其中，注意力模型可以选择所需的相关信息，并应用门控机制将结构和文本的表征集成到一个统一的架构中。实验表明，我们的模型在链接预测和三元组分类任务上的表现优于基线。

    Nov, 2016

  • 基于结构和文本嵌入的知识图谱补全

    在本研究中，我们提出了一种关系预测模型，它利用了知识图中的文本和结构信息，并结合了步行式嵌入和语言模型嵌入来有效地表示节点。通过在一个广泛使用的数据集上进行评估，我们证明了我们的模型在关系预测任务中取得了有竞争力的结果。

    Apr, 2024

  • 知识图谱补全的联合语义和结构嵌入

    本文提出了一种采用预训练语言模型的方法，将知识三元组的语义信息与其结构信息一起嵌入到自然语言描述中，以提高知识图谱补全任务的性能，特别是在低资源环境下表现更佳。

    Sep, 2022

  • 通过图引导的表示学习利用结构化文本知识

    本研究探讨使用知识图谱为预训练语言模型提供结构化知识的方法，提出并实现了两种利用知识图谱进行自监督训练的任务，并通过掩盖文本中的实体并利用实体关系知识进行训练，通过实验验证了该方法的有效性。

    Apr, 2020

  • 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

  • 文本和基于结构的模型的集成用于知识图谱补全

    我们研究了两种知识图谱补全方法：依赖文本实体描述的文本模型和利用知识图谱的连接结构的基于结构的模型。我们通过集成的方式结合了这两种方法，提出了一种新颖的方法来学习查询相关的集成权重，并在三个标准知识图谱补全数据集上取得了最先进的结果。

    Nov, 2023

  • 使用图形 transformer 从知识图谱生成文本

    本文介绍了一种新型图形转换编码器，可处理知识图谱等非层次性图形的内容，应用于科学文本领域的图 - 文本生成，评价结果表明，该技术可以产生比竞争的编码解码方法更具信息量且结构更好的文本。

    Apr, 2019

  • KG-BERT: 知识图谱补全任务的 BERT 模型

    本研究提出使用预训练语言模型来完成知识图谱，使用 KG-BERT 架构对知识图谱中的三元组进行建模，通过实验结果显示，该方法在三元组分类、链接预测和关系预测任务中均可以达到最佳表现。

    Sep, 2019

  • 通过序列文本和知识图谱联合学习进行知识表示

    本论文提出一种基于顺序文本的知识表示学习方法，通过循环神经网络、注意力机制等实现对实体语义信息的编码和选取信息量高的语句，以及在三元组分类和链接预测任务中实现了优异的效果。

    Sep, 2016

  • 将图上上下文知识融入预训练语言模型

    本文提出了一种基于 Transformer 模型的知识表示学习方法，能够有效地捕捉知识图谱中节点的上下文信息，提高了医学自然语言处理中的性能表现。

    Nov, 2019