AAAIApr, 2021

不确定知识下的关系抽取多视图推理

PDF
TL;DR本文提出了一种基于不确定知识图谱的关系抽取模型，该模型采用多视角推理框架来整合本地上下文和全局知识。实验结果表明，引入不确定知识和多视角推理框架的模型在句子和文档级别关系抽取上都具有竞争性能。
knowledge graphsuncertain knowledgerelation extractionprobasemulti-view inference
发现论文，激发创造
  • 不确定性知识图谱嵌入

    本文提出了一种新颖的不确定性知识图谱嵌入模型 UKGE，其目的是在嵌入空间中保留结构和不确定性信息，该模型通过学习不确定关系事实的置信度得出嵌入，并引入概率软逻辑来推断训练期间未见关系事实的置信度，实验表明 UKGE 在不确定知识的捕捉上非常有效，并在置信度预测，关系事实排名和关系事实分类等任务中表现出色。

    Nov, 2018

  • REKnow：用于联合实体和关系提取的增强型知识

    本研究提出了一种知识增强的生成模型，能够前所未有地利用知识图谱来解决关系抽取问题中的歧义，显著提高了在多个基准测试和设置下的性能表现。

    Jun, 2022

  • 实体知识注入增强文档级关系抽取

    本文提出了一种实体知识注入框架，以加强当前的文档级关系提取模型，并通过两个基准数据集的实验证实了我们扩展核链和融合知识图和文档表示的能力提高了文档级关系提取模型的一致性

    Jul, 2022

  • OpenKI：结合开放信息抽取、知识库和关系推理的方法

    本文提出了 OpenKI 模型，通过对 OpenIE 三元组和 Knowledge Bases（KB）的整合来处理 OpenIE 的稀疏性。该模型通过进行实例级别推理来处理未知实体，并借助聚合和关注机制在关系推理中利用其邻域中的信息。实验结果表明，该方法不仅显着提高了现有 OpenIE 提取的准确率，而且还提高了面向半结构化数据的 OpenIE 表现。

    Apr, 2019

  • 多视角知识图谱嵌入用于实体对齐

    本研究提出一种新颖的框架，通过利用实体的多个视角来学习实体嵌入，从而增强知识图谱之间的嵌入式实体对齐，并在真实数据集上验证实验证明，该框架显著优于现有的嵌入式实体对齐方法。

    Jun, 2019

  • 基于概率逻辑的常识表征框架：用于建模具有多个前提和变化可能性的推理

    本论文研究如何更好地表示常识知识，提出了一种概率逻辑表示方案和一种层次化概念本体论，能够更灵活地表示信念，并在神经符号应用中使用。通过专家注释和群众众包，将这个框架扩展到 PrimeNet 知识库，并展示其在更易解释的语义解析和问题回答中的应用。

    Nov, 2022

  • 关系三元组提取的互相指导的少样本学习

    本文提出了一种基于 Mutual Guided Few-shot 学习框架的关系三元组抽取方法，该方法通过实体解码器和关系解码器相互指导，加上原型融合模块，能够在使用少量数据的情况下显著提高抽取准确度，在 FewRel 1.0 和 FewRel 2.0 数据集上表现优异。

    Jun, 2023

  • 走向用于知识图谱推理的基础模型

    ULTRA 是一种基于条件交互的学习方法，用于构建能够适用于不同知识图谱的关系表示，并在 57 个不同的图谱上展示出类似或优于特定图谱的零样本归纳推理性能，同时细调进一步提升了性能。

    Oct, 2023

  • 超越三元组：上下文知识图表示与推理

    本文介绍了知识图谱（KGs）以及其与关系知识的上下文信息的整合，重点讨论了基于三元组的 KGs 存在的局限性和上下文 KGs 的优势，并提出了 KGR$^3$，一个利用大型语言模型（LLMs）进行 KG 推理的范例，实验证明 KGR$^3$ 显著提高了 KG 补全和 KG 问答任务的性能，验证了将上下文信息整合到 KG 表示和推理中的有效性。

    Jun, 2024

  • 知识图谱构建中的不确定性管理：一项调查

    建立知识图谱是个具有挑战性的任务，因为需要处理提取知识中的不确定性，并且需要解决数据的可靠性和冲突问题，同时还需要确保知识图谱的质量。

    May, 2024