知识图谱中基于上下文的实体类型识别
本文提出了一种新方法,通过共同利用现有实体类型和知识图谱中的全局三元组知识以及两个嵌入模型,推断知识图谱中缺失的实体类型实例;在真实数据集上实验结果显示,此方法和模型可以有效地提高知识图谱实体分类。
Jul, 2020
本研究提出了一种基于 Transformer 的实体类型推断方法 (TET),通过对实体邻居内容的有效编码,利用三种不同机制 (本地 Transformer、全局 Transformer 和上下文 Transformer) 来推断实体的缺失类型,并使用类型的类成员身份信息来语义强化实体的表示。实验表明,相对于现有技术,TET 的性能更卓越。
Oct, 2022
本文提出了一种新颖的 SSET(Semantic and Structure-aware KG Entity Typing)框架,通过结合结构知识和语义知识,以及利用两种模块的推理结果生成鲁棒性较强的类型预测,显著优于现有的最先进方法。
Apr, 2024
提出了一种利用 RDF2vec 不同图形遍历策略和实体的文本描述来进行实体打标的新方法(GRAND)。实验表明,引入上下文信息的方式和生成图行走序列的策略对于实体打标在 KG 中有重要影响。该方法在 DBpedia 和 FIGER 基准数据集上,对于精细和粗粒度类组合都优于基线方案。
Jul, 2022
本文提出了一种新颖的基于 TypE-aware 信息传递(TEMP)模型,它通过加强查询中的实体和关系表示,并同时提高了概括推理、演绎推理和归纳推理,来利用知识库中关键的语义知识,从而提高现有嵌入式模型的性能。实验结果表明其有效性。
May, 2022
该研究论文介绍了一种利用基于类型的问题通过文本预训练在语言模型中灌输细粒度类型知识的方法,并利用知识库文档和知识图谱创建 WikiWiki 数据集来评估性能。该方法在零 - shot 对话状态跟踪基准测试中取得了最先进的表现,可以准确地推断维基百科文章中的实体类型,并能够发现人工评判认为有用的新类型。
Apr, 2022
本文提出了一种新的标签关系归纳偏好,利用图传播层有效编码全局标签共现统计和单词级别相似性,结合基于注意力的匹配模块,可以在包括超过 10,000 种自由形式类型的大型数据集上实现更高的召回分数,并且在输出的稳定性方面也更少不一致性。
Mar, 2019
本文介绍了一种名为多视图对比学习的知识图谱实体类型推断方法,它将聚类提供的粗粒度知识编码到实体和类型嵌入中,并通过多个模块实现结构化信息的编码、不同视角的对比学习以及缺失实体类型的推断。实验证明了该方法相对于现有的最优方法具有较强的性能。
Oct, 2023
本研究基于嵌入式方法,提出了 FIGMENT 来解决语料库实体类型划分问题,并在知识库完成中应用。FIGMENT 由全局模型和上下文模型组成,分别得分后进行综合评分,其性能优于依赖于开放信息提取系统获取关系的实体类型划分方法。
Jun, 2016
通过将类型聚类信息有效地融入实体和类型的表示中,Cross-view Optimal Transport(COTET)方法通过多视图生成和编码、交叉视图最优传输和基于汇聚机制的实体类型预测模块,在知识图谱实体类型推理任务中展现出了显著的效果。
May, 2024