Mar, 2022

为少样本知识图谱补全学习关系特定表示

PDF
TL;DR本文提出了一种关系特定的上下文学习框架，通过提取图上的上下文信息和设计分层注意力网络和注意力池化器，可以全局和局部地学习表示来进行 FKGC 任务，实验结果证明了其优于现有的方法。
few-shot knowledge graph completionrelation-specific context learninghierarchical attention networkglobal and local levelsexperimental results
发现论文，激发创造
  • 少样本知识图谱补全

    本论文提出了一个新的模型，即 FSRL 模型，在少量有参考的情况下学习新关系，可以更有效地从异构图结构中获取知识，并匹配每个关系的参考集中的相似实体对。实验结果表明，该模型优于现有的最先进的模型。

    Nov, 2019

  • 基于门控与注意力邻居聚合器的关系学习，用于少样本知识图谱完成

    本文提出了一个使用全局 - 局部框架的少样本关系学习方法，在全局阶段中，引入了一种新颖的门控和注意力邻居聚合器用于准确地集成少样本关系邻居的语义信息，并在局部阶段中使用基于元学习的 TransH 方法来模拟和推断复杂的关系，实验证明该模型在常用基准数据集 NELL-One 和 Wiki-One 上比最先进的 FKGC 方法表现更好，具有更好的 5-shot FKGC 性能。

    Apr, 2021

  • Few-shot 知识图谱补全中的结构和常识知识调查

    本研究通过对少样本知识图谱自动补全任务的学习方法、任务应用、以及未来研究领域的调查和总结，提出了一种使用图形表示学习和少样本学习优势的 FKGC 方法，以期解决常规 KG 和 CKG 补全任务中长尾关系及新关系的问题，并在不同领域的预测任务中应用 FKGC 模型。

    Jan, 2023

  • 基于关系图神经网络的不确定性感知的少样本知识图谱补全

    通过利用高斯分布对有限数据进行建模，我们提出了一种新颖的不确定性感知少样本知识图完成框架（UFKGC），该框架能更好地理解有限数据并提高鲁棒性，实验证明与竞争对手相比，在两个基准数据集上取得了出色的性能。

    Mar, 2024

  • 基于连接子图预训练的少样本关系推理

    本文提出基于 Connection Subgraph Reasoner 的 few-shot knowledge graph completion 方法，通过建模支持三元组和预测三元组之间的共享连接子图，实现直接针对目标 few-shot 任务的预测。而无需事先在人类策划的训练任务集中进行预训练，该方法在真实知识图谱上的实验表明其效果明显优于现有方法。

    Oct, 2022

  • 知识图谱的单次关系学习

    本文提出了一种基于嵌入模型的一次性关系学习框架，将已有的知识和一跳图结构相结合，来预测在只有一个训练样例的情况下的新事实，并通过实验证明，在新关系预测和嵌入模型训练上，该模型具有巨大的性能优势。

    Aug, 2018

  • 基于子图适应的少样本知识图谱关系推理

    Few-shot Knowledge Graph Relational Reasoning has become increasingly important in natural language processing applications, and SAFER presents a novel approach to effectively adapt contextualized graph information to perform prediction, demonstrating its superiority in experimental results.

    Jun, 2024

  • KRACL: 基于图上下文建模的对比学习用于稀疏知识图谱补全

    通过图上下文和对比学习，提出了一种新的知识图谱完成框架 KRACL，包括 Knowledge Relational Attention Network 和知识对比损失，能够有效地解决知识图谱中低出现频率实体的稀疏性和噪声三元组的鲁棒性问题。实验表明，KRACL 在多个标准知识图谱基准测试中取得了优异的结果。

    Aug, 2022

  • 基于关系感知网络和注意力损失的少样本知识图谱补全

    本文提出了一种 RANA 框架，用于处理 FKGC 任务中的零损失问题与上下文相关的实体表示，并在两个基准数据集上展示其胜过现有模型的性能。

    Jun, 2023

  • 自适应关注网络用于少样本知识图谱补全

    本研究提出了一种自适应注意力网络来进行少样本知识图谱补全，通过学习自适应的实体和参考表示形式，实现了对实体和参考贡献进行区分，该方法在两个公共数据集上的链接预测中获得了最新的表现结果。

    Oct, 2020