EMNLPJan, 2022

SQUIRE: 多跳知识图推理的序列到序列框架

PDF
TL;DRSQUIRE 是第一个基于序列到序列结构的多跳推理框架，利用编码器 - 解码器 Transformer 结构来将查询转化为路径，实验表明我们的方法在标准和稀疏知识图上都取得了显著的改进同时收敛速度提高了 4-7 倍。
multi-hop reasoningknowledge graphsequence-to-sequencetransformerconvergence
发现论文，激发创造
  • 序列到序列的知识图谱补全与问答

    本研究使用 Transformer 模型代替传统知识图谱嵌入模型 (KGE) 的原子嵌入表示，将 KG link prediction 问题转化为序列到序列任务以及使用自回归解码。相比于传统 KGE 模型，这种简单而强大的方法在保持推理时间可控的同时，将模型大小减少了多达 98％，在不进行过多超参数调整的情况下，在多个大型数据集上的表现优于基线。

    Mar, 2022

  • 知识图谱上的复杂查询回答的顺序查询编码

    本文提出了顺序查询编码 (SQE) 来替代 CQA 的查询编码方法，并证明了在 FB15k、FB15k-237 和 NELL 等数据集上，SQE 在处理逻辑查询时表现优异。

    Feb, 2023

  • 基于奖励塑形的多跳知识图谱推理

    文中提出了两个方法来解决不完整知识图谱上的多跳推理查询回答中存在的问题，其一是使用预训练的一跳嵌入模型来估算未观察到事实的奖励，其二是使用随机生成的边缘掩码来强制代理探索不同的路径，该方法在多个基准数据集上明显优于现有的基于路径的 KGQA 模型，并且与基于嵌入的模型相当甚至更好。

    Aug, 2018

  • 使用双向序列编码器回答知识图谱中的复杂查询

    本文提出 “Bi-Directional Query Embedding (BIQE)” 模型，采用双向关注机制进行共有限制查询的答案预测，相比现有模型实验结果表明该模型的性能显著优于现有最先进模型。

    Apr, 2020

  • 通过奖励塑造技术增强多跳知识图推理

    利用强化学习和 BERT 嵌入来改进多跳知识图谱推理的方法，以提高知识图谱推理的准确性和鲁棒性。

    Mar, 2024

  • 多跳问答推理图上的单序列预测

    我们提出了一种名为 SeqGraph 的方法，该方法通过一个本地推理图中的图形结构来集成关键实体的表示，并将结果表征与模型的实体表示进行融合，以提高 HotpotQA 数据集上的回答准确度和推理路径的合理性。

    Jul, 2023

  • SMORE：大规模知识图谱补全和多跳推理

    Scalable Multi-hOp REasoning (SMORE) is a new framework for both single-hop and multi-hop reasoning in knowledge graphs, with a novel bidirectional rejection sampling method and asynchronous scheduling approach enabling it to perform multi-hop reasoning in real time, boosting training speed by 2.2x for minimal GPU memory requirements while achieving near linear speed-up with the number of GPUs.

    Oct, 2021

  • 适配元知识图谱信息以进行少样本关系的多跳推理

    本文提出了一种元学习式的多跳知识图谱（KG）推理方法（Meta-KGR），适用于少样本关系中的查询回答（QA）任务，通过学习适应于不同关系的元参数，提高模型的推理能力，实验表明，在 Freebase 和 NELL 数据集上，Meta-KGR 在少样本场景下优于现有技术方法。

    Aug, 2019

  • 多跳知识库问答的子图检索增强模型

    本研究提出了一种可训练的子图检索器（SR），它与后续的推理过程分离，可增强任何以子图为导向的 KBQA 模型，并通过弱监督的预训练以及端到端的微调，与 NSM 组合成为新的基于嵌入的 KBQA 方法的最新的最先进的表现。

    Feb, 2022

  • 查询增强的适应性语义路径推理用于归纳式知识图谱补全

    本文提出了 Query-Enhanced Adaptive Semantic Path Reasoning (QASPR) 框架，同时捕捉知识图谱的结构和语义信息，以增强归纳式知识图谱完成任务。QASPR 通过使用查询依赖的掩蔽模块自适应地掩蔽噪声结构信息并保留与目标密切相关的重要信息。此外，QASPR 引入了一个全局语义评分模块，评估知识图谱中推理路径上节点的个体贡献和集体影响。实验结果表明，QASPR 实现了最先进的性能。

    Jun, 2024