ACLJun, 2021

KGPool: 动态知识图谱上下文选择在关系抽取中的应用

PDF
TL;DR本文提出了一种新方法，通过将句子和两个实体映射到知识图谱中的标准事实，从单个句子中提取关系；引入了 KGPool 方法来解决数据稀疏的问题，通过神经方法学习事实的表示来补充句子的上下文，并使用图神经网络演示了该方法的有效性。
relation extractionknowledge graphentity aliasneural methodsgraph neural network
发现论文，激发创造
  • 利用知识图谱上下文的关系抽取与图神经网络 (RECON)

    本文提出了一种名为 RECON 的新颖方法，可以自动识别句子中的关系并将其与知识图谱对齐，使用图神经网络学习句子和知识图谱中存储的事实的表示，并评估了不同形式表示 KG 上下文对 RECON 性能的影响。经验评估结果显示，RECON 对于 NYT Freebase 和 Wikidata 数据集表现均优于现有方法。

    Sep, 2020

  • 利用知识图谱嵌入增强关系抽取的上下文表示

    本论文使用预训练的知识图谱嵌入模型，结合文本语料库的句子级上下文表示，实现了较高性能的关系抽取模型，并通过实验验证了该方法的有效性和出色性能。

    Jun, 2023

  • 基于上下文和知识图谱的动态表示

    本文提出了一种名为 CKG 的动态表示方法，利用外部知识图谱中的实体信息来提高语言句子的正确语义，实验表明，CKG 在多项任务中达到了最优结果。

    Dec, 2022

  • 使用动态上下文图进行对话语义解析

    本文讨论了使用动态子图和图形神经网络在上下文中交互地将用户话语映射为可执行的逻辑形式，并证明这种方法在处理对话信息方面更好。

    May, 2023

  • 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

  • 不确定知识下的关系抽取多视图推理

    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。

    Apr, 2021

  • GDPNet：用于关系抽取的潜在多视图图形细化

    本研究提出了一种名为 GDPNet 的模型，该模型组合了多视图图形建模和动态时间规整池化技术，以提高关系抽取的性能。在对数句和对话级别的关系抽取任务中，GDPNet 取得了比以前更好或相当的表现。

    Dec, 2020

  • 高效嵌入动态知识图谱

    提出了一种上下文感知的动态知识图谱嵌入方法 (DKGE)，该方法利用两个有注意力机制的图卷积网络、一种门控策略和翻译操作，通过双重表示 (知识嵌入和上下文元素嵌入) 联合模型化实体和关系及其环境，以快速获取更新的知识图谱嵌入，同时支持从头开始的知识图谱嵌入。实验证明 DKGE 在动态环境下具有良好的有效性和效率。

    Oct, 2019

  • 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

  • 评估知识图谱上下文对实体消歧模型的影响

    本篇文章提出了一种基于知识图谱（如 Wikidata）的上下文推断方法，以提高预训练 transformer 模型在实体消歧（Named Entity Disambiguation）方面的性能，并通过实验证明该方法可以推广到维基百科，并显著优于现有基线方法。

    Aug, 2020