图协同推理
我们介绍了关系图卷积网络 (R-GCNs) 并将它们应用于标准的知识库补全任务,包括链接预测和实体分类。R-GCNs 旨在应对实际知识库中高度多关系数据的特点,我们证明了它们作为一个独立模型在实体分类方面的有效性,并进一步证明,通过在关系图中累积多个推理步骤的编码器模型来丰富解码器模型,可以极大地提高因子分解模型 (例如 DistMult) 在链接预测方面的表现 (在 FB15k-237 上的表现提高了 29.8%)。
Mar, 2017
该研究提出了一种统一的关系学习框架(GRL),该框架可以插入现有的链接预测模型中,能够增强现有的链接预测模型,使其对于不平衡的关系分布和学习未见关系具有不敏感性,并能够联接语义相似的关系。
Dec, 2020
本文提出了一种新的协作推荐系统框架,即协作推理 (CR),将学习和推理融为一体。该框架通过一种神经模块化的形式,将符号推理操作嵌入到基于神经网络的模型中,将逻辑表达式等价地组织为神经网络,从而实现了在连续空间中进行逻辑推理和预测。实验证明,与现有的浅层、深层和推理模型相比,本文提出的框架具有更好的推荐性能。
May, 2020
本文提出了一种基于图形关系推理网络方法 (GR2N) 的社交关系识别方法,该方法相比现有方法能够更快,更准确地构建社交关系图,并显式地抓住不同类型社交关系之间的强逻辑约束,从而提高社交关系图的性能。
Jul, 2020
本研究提出了一种基于全面图网络的逻辑推理方法,在上下文和单词层面处理上下文,通过层次交互机制建模节点级关系和类型级关系,以提高阅读理解系统的解释能力和理解复杂逻辑关系的能力。
Jun, 2023
提出了一种基于图神经网络的关系预测框架 GraIL,该框架可以推理本地子图结构并具有强的归纳偏差来学习独立于实体的关系语义。与基于嵌入的模型不同,GraIL 是自然归纳的,并且可以在训练后推广到未看到的实体和图形。在归纳设置中,GraIL 优于现有的规则归纳基线。
Nov, 2019