EMNLPDec, 2020

使用变分自编码器进行开放知识图谱规范化

PDF
TL;DR本文提出一种名为 CUVA 的联合模型，使用变分自编码器来进行实体和关系短语的嵌入式特征提取与聚类，改善了 open knowledge graphs 中实体重复和模糊性的问题，并在多个基准测试中证明了其优于现有最先进技术的表现。同时为此也构建了一个新的数据集 CanonicNell 用于评估实体归一化系统。
open knowledge graphscanonicalizationvariational autoencodersentity clusteringcanonicnell dataset
发现论文，激发创造
  • 开放知识库规范化的多视角聚类

    提出了一种新的无监督方法 CMVC，它利用了知识的 fact view 和 context view 来对开放知识库（OKB）进行规范化，通过多视角特征聚类算法来学习视角特定的嵌入，进而对概念和关系短语进行聚类来达到规范化的目的。实验表明该方法在多个真实 OKB 数据集上表现优异。

    Jun, 2022

  • 可解释的句子表示：变分自编码器和注意力机制

    提出使用变分自编码器和 Transformers 构建两种具有归纳偏置的模型，可将潜在表示中的信息分离成可理解的概念，其中 QKVAE 在转移实验中表现出竞争性能，并展示了明显的优化句法角色分离能力。

    May, 2023

  • 变分图自编码器

    本文提出可变图自编码器 (VGAE) 框架，用于处理基于变分自编码器 (VAE) 的图结构数据无监督学习模型。该模型基于潜在变量，能够学习图的可解释的潜在表示。在引文网络的链接预测任务中，我们使用图卷积网络 (GCN) 编码器和内积解码器来展示该模型。与大多数现有的图结构数据和链接预测无监督学习模型相比，我们的模型可以自然地融入节点特征，从而在许多基准数据集上显著提高预测性能。

    Nov, 2016

  • 高级条件变分自编码器（A-CVAE）：通过解离潜在特征表示进行开放领域对话生成解释的探索

    本研究旨在通过介绍一种认知方法，利用先前的知识驱动生成模型，实现在中尺度特征分离中调节潜在变量，使得深度学习的开放领域对话系统可以生成更高质量和更可解释性的对话。

    Jul, 2022

  • V-Coder: 知识图谱语义披露的自适应自编码器

    本文介绍了在知识图谱中关系消歧的问题，详细介绍了一种名为 V-Coder 的新型可适应自编码器，它能够识别连接不同领域实体的本质关系，从而改善链接预测的语义披露问题。

    Jul, 2022

  • 基于句子重建和知识库先验的远程监督关系抽取

    通过联合训练关系分类器和变分自编码器，结合知识库的概念，实现了利用多任务的概率方法来促进远程监督关系提取，从而有望在 NLP 领域取得更好的性能与可解释性。

    Apr, 2021

  • Poincaré 变分自编码器实现连续的分层表示

    本文利用 Poincaré 球模型的超几何结构作为潜变量空间，研究了 VAE 在这个空间的运用，该方法在嵌套数据结构下表现出色，并展现了超几何结构对于 VAE 的优越性。

    Jan, 2019

  • 无概念因果分解变分图自编码器

    提出了一种无监督学习的解决方案，称为无概念因果分解 (disentanglement)，通过在可观测数据中直接学习概念结构，提出了 CCVGAE 和 CC-Meta-Graph 模型，并在 AUC 方面分别取得了高达 29% 和 11% 的绝对改进。

    Nov, 2023

  • 相关变分自编码器

    该研究提出了基于相关变量分布的 CVAEs 方法来学习高维数据的潜在表示。通过对无向相关图的所有最大有向无环子图的可计算较低限的平均值来解决相关先验带来的不可计算问题，证明了该方法在公共基准评级数据集的匹配和链接预测，以及合成数据集上的谱聚类中的有效性。

    May, 2019

  • R-VGAE：关系变分图自编码器用于无监督前置条件链学习

    本文提出了一种无监督的模型 - 关系变分图自编码器（R-VGAE）来预测概念之间的关系，并在此基础上扩展 1,717 英文 NLP 相关的讲座幻灯片文件和 322 个主题的手动概念对注释，结果表明我们的方法在先决关系预测准确率和 F1 分数方面为图形半监督方法和其他基线方法提供高达 9.77% 和 10.47% 的性能提升。

    Apr, 2020