EMNLPAug, 2021

知识库补全与迁移学习结合

PDF
TL;DR本文提出了一种有效的预训练方法，用于从非结构化文本中提取的事实的规范化和非规范化知识库，通过小数据集上实验证明其相对于已有方法的改进，不依赖于大型预先训练的模型（如 BERT）
knowledge base completiontransfer learningautomated information extractionstructured datapre-training
发现论文，激发创造
  • 知识库完成模型的预训练与诊断

    介绍并分析一种无需实体或关系匹配将一个事实集合中的知识转移到另一个集合的方法，该方法对规范化知识库和非规范化或开放式知识库都适用。通过在无结构文本中收集的大规模预训练的事实，改进了对特定领域的结构化数据的预测，并通过实验验证了该方法在小数据集上的显著提升。此外，引入了一种新的用于分析开放式知识库完成的预训练模型的数据集，名为 Doge，通过该数据集揭示了现有模型的一些缺陷和问题。

    Jan, 2024

  • 一个可解释的知识迁移模型用于知识库完成

    本研究提出了一种新的嵌入模型 ITransF，它通过稀疏注意机制来完成知识库的补全，并在两个基准数据集（WN18 和 FB15k）上进行了评估，相对于没有使用额外信息的所有基线，ITransF 在知识库补全任务上都显示出了更好的性能。

    Apr, 2017

  • 基于新数据集和方法推断知识库补全的缺失实体类型实例

    本文研究知识库完成的问题，聚焦于推断知识库中缺失的实体类型实例，提出了使用现有知识库信息和维基百科的外部信息的知识库完成方法，并通过构建大规模数据集和设计自动评估方法验证了方法的有效性和正确性。

    Apr, 2015

  • 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

  • 统一知识图谱学习和推荐：走向更好的用户偏好理解

    本文旨在在推荐系统中将知识图谱引入，特别考虑了不完整的知识图谱，并通过关系传递实现对用户偏好的理解，提高了推荐性能。通过联合训练建议模型和知识图谱完成模型，综合多个迁移模式，表现出卓越的性能

    Feb, 2019

  • 长尾实体的知识库补全

    本文提出了一种基于语言模型的知识库完成方法，针对长尾实体的事实，该方法利用两个不同的语言模型进行候选检索和候选验证和消歧，通过评估我们的方法和不同的基线，引入一个名为 MALT 的基于 Wikidata 的数据集，我们的方法在 F1 中优于所有基线，尤其是在召回率方面有很大提升。

    Jun, 2023

  • 评估语言模型用于知识库补全

    本文介绍了一种更具挑战性的基准数据集和方法，用于评估语言模型在无监督知识库补全方面的潜力，并发现了语言模型在补全 Wikidata 中 nativeLanguage、usedLanguage 和 citizenOf 等关系方面表现出强大的泛化能力。

    Mar, 2023

  • 用于语义网络填充的多任务预训练语言模型

    本文研究如何提高知识图谱的完整性，通过引入 LP-BERT 模型，并结合语义匹配以及数据增强的方法，实现了知识图谱补全任务的最新成果，优于现有最佳表现。

    Jan, 2022

  • 将实体与任意模式的未见知识库连接

    本文研究实体链接在零样本链接中的应用，介绍了一种灵活的方法来将实体从任意的知识库中转化为平面字符串，与零样本链接模型配合使用，通过两种规则方法的改进，实现了模型的精度提升，实验结果表明我们的模型优于基准模型，并且本文的方法也可以无缝地结合多个训练数据集。

    Oct, 2020

  • DualTKB: 文本与知识库之间的双重学习桥梁

    本文提出了一种基于双向学习的无监督文本到路径和路径到文本转化方法，研究了弱监督对模型性能的影响，并提出了一种适用于生成模型的 Commonsense KB 完成度量。实验结果表明，该方法与现有的基线方法相比，效果明显提高，是实现自动 KB 构建 / 扩展和 KB 转化的可行方法之一。

    Oct, 2020