ACLAug, 2021

缺失的链接是否可预测？一个知识图谱补全的推理基准

PDF
TL;DRInferWiki 是一个知识图谱完成（KGC）数据集，通过利用基于规则的训练 / 测试生成、遵循开放世界假设以及包含不同的推理模式等方法来提高推理能力和评估模型，为知识图谱推理研究提供了高质量且必要的数据集。
inferwikiknowledge graph completionrule-guided train/test generationinferential assumptionsinference patterns
发现论文，激发创造
  • 重新审视知识图谱补全的推理基准

    这篇论文提出了一种新方法来设计知识图谱补全基准测试，并用这个方法产生了几个测试集，对现有的知识图谱补全系统进行了评估，结果提供了现有模型从不完整的知识图谱中引入推理模式的新见解。

    Jun, 2023

  • 为归纳式知识图谱补全构建更好的基准数据集

    通过提出一种新的策略构建归纳性的知识图谱补全（Knowledge Graph Completion，KGC）数据集，此策略有助于缓解 Personalized PageRank（PPR）的缺陷，进而使用这些数据集评估了多种常见方法的性能，促进了对归纳性 KGC 的能力和挑战的更好理解。

    Jun, 2024

  • 基于知识图谱的归纳链接预测公开挑战赛

    本研究提出了 ILPC 2022 数据集挑战赛，旨在为评估归纳表示学习方法提供基准测试，从而使社区在归纳图表示学习领域中进行协同努力.

    Mar, 2022

  • 知识图谱补全方法的重新评估

    本文旨在探讨在大型知识图谱中自动预测缺失链接的 KGC 技术，针对最近几篇高水平论文达到的高性能，提出了一个简单的评估协议来解决模型偏差的问题，并使用该协议对几种现有方法进行了广泛的实验，同时公开了可复现的代码。

    Nov, 2019

  • IntelliGraphs: 用于知识图谱生成基准测试的数据集

    该论文介绍了一种名为 Subgraph Inference 的任务，并提出了一个包含逻辑规则的知识图子图的数据集 IntelliGraphs，并设计和评估了不同的基准模型，旨在鼓励发展注重语义理解的机器学习模型。

    Jul, 2023

  • 知识图谱完善：基于知识检索和阅读理解的方法

    该研究提出一种基于信息检索和阅读理解的知识图谱自动完成模型，在实验中发现该模型可以很好地解决无法从现有知识中推断的关系，并在多个知识图谱自动完成数据集上取得良好结果。

    Oct, 2022

  • 逐步增强的知识图谱补全

    在这篇论文中，我们研究了与真实世界建设场景相关的三个重要过程：验证过程，挖掘过程和训练过程，并通过整合这三个过程引入了渐进式知识图谱完成（PKGC）任务，以模拟在真实世界场景中逐步完善知识图谱的过程。此外，为了加快 PKGC 处理，我们提出了两个加速模块：优化的 Top-k 算法和语义有效性过滤器，这些模块显著提高了挖掘过程的效率。我们的实验证明链接预测的性能不能准确反映 PKGC 的性能，更深入的分析揭示了影响结果的关键因素，并为未来的研究提供了潜在的方向。

    Apr, 2024

  • 时间知识图谱补全：综述

    本研究首次总结了时间知识图补全方法的研究进展，包括背景、基准数据集、评估指标以及现有方法，旨在解决静态知识图补全方法的不准确问题。未来的研究方向也在文章中提出。

    Jan, 2022

  • 在开放世界假设下重新思考知识图谱评估

    本文研究了在更现实的开放世界假设下，知识图谱补全模型的评估，指出在测试时采用的指标可能会不正确反映模型的表现，因为未知的三元组可能包含许多缺失的事实，不在训练或测试集中，因此建议对数据进行更多的探索和量化分析以改进现有的评估方法。

    Sep, 2022

  • 知识图谱补全方法的现实重新评估：一项实验研究

    本文研究使用嵌入模型进行知识图谱完成和链接预测的问题，发现这些模型在去除不现实的三元组数据后的精度远低于预期，呼吁重新探索有效的方法。

    Mar, 2020