连接嵌入对知识图谱实体类型进行分类
本研究提出了一种利用上下文信息进行知识图谱实体类型推理的新方法,设计了两种推理机制:N2T 和 Agg2T,并提出了一种新的损失函数以减轻训练期间的误测问题。实验证明了该方法的有效性。
Sep, 2021
提出了一种利用 RDF2vec 不同图形遍历策略和实体的文本描述来进行实体打标的新方法(GRAND)。实验表明,引入上下文信息的方式和生成图行走序列的策略对于实体打标在 KG 中有重要影响。该方法在 DBpedia 和 FIGER 基准数据集上,对于精细和粗粒度类组合都优于基线方案。
Jul, 2022
本文提出了一种新颖的基于 TypE-aware 信息传递(TEMP)模型,它通过加强查询中的实体和关系表示,并同时提高了概括推理、演绎推理和归纳推理,来利用知识库中关键的语义知识,从而提高现有嵌入式模型的性能。实验结果表明其有效性。
May, 2022
本文研究了神经知识图谱嵌入、实体类型预测和神经语言模型的互补性,并证明了基于语言模型的知识图谱嵌入方法可以同时提高知识图谱嵌入和实体类型表示。同时,结合建模结构化知识元组和语言模型可以同时改善这两个方面。
Oct, 2020
本文提出了一种新颖的 SSET(Semantic and Structure-aware KG Entity Typing)框架,通过结合结构知识和语义知识,以及利用两种模块的推理结果生成鲁棒性较强的类型预测,显著优于现有的最先进方法。
Apr, 2024
提出了一种监督算法来生成类型嵌入,该算法与给定实体嵌入集在相同的语义向量空间中工作。使用最先进的可视化技术,展示了算法在 DBpedia 本体论中的效果。最终,我们使用这些 embedding 将大约 4 百万个 DBpedia 实例概率聚类到 415 种类型。
Mar, 2017
本研究提出了一种基于 Transformer 的实体类型推断方法 (TET),通过对实体邻居内容的有效编码,利用三种不同机制 (本地 Transformer、全局 Transformer 和上下文 Transformer) 来推断实体的缺失类型,并使用类型的类成员身份信息来语义强化实体的表示。实验表明,相对于现有技术,TET 的性能更卓越。
Oct, 2022
基于嵌入式知识图谱(KG)完成已经引起了人们的广泛关注,通过生成 KG 嵌入,讨论了不同类型的 KG 完成算法,包括链路预测、实体类型预测算法以及利用 KG 和大型语言模型(LLM)的算法,最后讨论了不同描述逻辑公理所表达的语义,并提出了对当前工作的批判性反思和未来方向的建议。
Jul, 2023
我们开发了新型的 KGE 框架,使用智能化实体类型嵌入自动化技术,可以更好地表示实体的信息并可同时推断出对称性、倒置性、组合关系以及 1-N、N-1 和 N-N 等复杂关系,相较于现有的先进基础线性任务,实验表明我们提出的模型对于关系预测具有明显的优势。
Sep, 2020