知识图谱中基于拓扑感知的关系间归纳连接预测相关性
TACO 是一种基于子图的新型方法,通过建模与拓扑结构高度相关的关系之间的语义相关性,将图级特征和边级交互相结合,以同时进行推理的方式,在归纳链接预测任务中实现了卓越的性能。
Sep, 2023
提出了一种基于图神经网络的关系预测框架 GraIL,该框架可以推理本地子图结构并具有强的归纳偏差来学习独立于实体的关系语义。与基于嵌入的模型不同,GraIL 是自然归纳的,并且可以在训练后推广到未看到的实体和图形。在归纳设置中,GraIL 优于现有的规则归纳基线。
Nov, 2019
本文针对工业用例中初始缺乏有标注数据和分类信息的情况,讨论了建立特定领域知识模型的挑战,并提出了两种神经模型用于归纳链接预测。实验表明,这些模型在可链接的知识图数据减少的情况下能显著提高性能并且优于稀疏检索器。
Jan, 2023
本文提出了一种名为 BERTRL 的解决方案,该方案使用预训练语言模型和 fine-tuning,通过将关系实例及其可能的推理路径作为训练样本,支持归纳学习并在 15 个应用中超越现有技术。
Mar, 2021
本研究基于代数拓扑学和其现代发展,持久同调理论,在图表示学习中提出了一种新的基于循环基的归纳关系预测解决方案。通过探索循环空间的线性结构,我们可以提高规则搜索的效率。在收集这些循环的基础上,我们构建了一个新颖的 GNN 框架,学习了循环的表示,并预测了关系的存在性。该方法在基准测试中取得了最先进的性能。
Oct, 2021
该研究提出了一种统一的关系学习框架(GRL),该框架可以插入现有的链接预测模型中,能够增强现有的链接预测模型,使其对于不平衡的关系分布和学习未见关系具有不敏感性,并能够联接语义相似的关系。
Dec, 2020
本文提出了使用孪生神经网络的基于路径的归纳链接预测模型 SiaILP,仅依赖关系和路径嵌入,可泛化到新实体而无需微调,实验证明该模型在归纳版本的 WN18RR、FB15k-237 和 Nell995 的链接预测任务中取得了多个最新的最优性能。
Dec, 2023
本文提出了一种新颖的名为 RAILD 的关系感知归纳链接预测方法,该方法能够学习未见的实体和未见的关系的表征,并采用语言模型和图形化方法来生成特征。实验表明,RAILD 在 KG 完成任务上比现有的模型性能有了显著提高,并且还超过了我们创建的基线模型。
Nov, 2022