ACLApr, 2022

学会借力 -- 关系表示以补全知识图谱中未提及的实体对

PDF
TL;DR本文提出了 SuperBorrow 方法，使用预训练实体 embedding 和语境化 LDP 表示法来表示不合并实体对，实验结果表明 SuperBorrow 可以增强多个先前使用的 KGE 方法的链接预测性能。
发现论文，激发创造
  • 利用远程监督联合嵌入实体和文本

    本文提出了一种基于远程监督的方法，从未注释的语料库中仅使用实体和表面形式之间的映射列表，联合学习实体和文本的嵌入。与仅依赖于人类注释文本或大型知识图谱结构的先前方法相比，实验结果表明，我们的嵌入可更好地捕捉实体的相似性和关联性。

    Jul, 2018

  • 从未标注的文本中学习关系原型以进行长尾关系提取

    本论文提出一种学习关系原型的通用方法来处理关系抽取中的长尾问题，并应用于基于共现图的嵌入学习来优化实体对与对应原型间的距离，并在两个数据集上进行了广泛实验以验证其有效性。

    Nov, 2020

  • 通过链接预测从文本中归纳实体表征

    本文通过一个综合评估协议，探讨了使用预测链接的实体表示学习，并考虑了线性预测和实体分类任务以及针对面向实体的搜索的信息检索任务，通过一个预训练的语言模型体系结构，证明这些学习的表示不仅适用于 KG 特定任务，还具有比之前的方法更强的泛化性能，同时也在其他任务方面表现出色。

    Oct, 2020

  • 复制而不是记忆：一种用于知识图谱完成的垂直学习范式

    本文提出了 Vertical Learning Paradigm (VLP) 来解决知识图谱补全任务中跨度较大的多跳联系规则被困难隐式记忆的问题，VLP 扩展了嵌入模型，通过显式地从相关事实三元组中复制目标信息来提供额外线索，提高了其广义能力，尤其是在远程链接预测方面表现出色，同时提出了一种新的相对距离负采样技术（ReD）以进行更有效的优化。

    May, 2023

  • 知识库表示学习的关系路径建模

    本文提出了一种基于路径的知识库表示学习模型，将多步关系路径作为实体之间表示学习的翻译，利用路径约束资源分配算法度量路径可靠性，并通过关系嵌入的语义组合来表示关系路径；实证研究结果表明，与基线方法相比，我们的模型在知识库完成和文本关系提取方面取得了显著且一致的改进。

    Jun, 2015

  • 通过共蒸馏学习进行知识图谱嵌入

    本文提出了一种称为 CoLE 的 Co - 蒸馏学习方法用于知识图谱嵌入，并在基准数据集上的实验表明，该方法优于现有的嵌入模型，提高了知识图谱嵌入的最新技术水平。

    Aug, 2022

  • 为跨语言实体对齐双向训练知识图谱嵌入和实体描述嵌入

    本文研究利用基于嵌入的方法，利用多语言知识图谱上实体的文字描述，通过共训两种嵌入模型，即一个多语言知识图谱嵌入模型和一个多语言文字描述嵌入模型，进行半监督学习。实验结果表明，该方法在实体对齐任务中的性能随共训迭代而提高，最终明显优于之前的方法。此外，该方法具有零样本实体对齐和跨语言知识图谱完成的良好能力。

    Jun, 2018

  • 知识图谱嵌入用于链接预测：一项比较分析

    该研究比较短缺实际的现有图谱的 16 种最新方法的有效性和效率，并考虑到一种基于规则的基线，提出了具有可扩展性的维度以评估嵌入 LP 方法的介绍。

    Feb, 2020

  • 联合学习实体和关系表示用于实体对齐

    本文提出了一种使用图卷积神经网络（GCN）学习实体和关系表示的新颖联合学习框架，以改善实体对齐，并证明利用有用的关系表示来协助实体对齐是一种简单而有效的方法。通过在三个真实的跨语言数据集上进行的实验表明，我们的方法显著优于现有的实体对齐方法。

    Sep, 2019

  • LinkNBed: 带实体链接的多图表示学习

    本文提出了 LinkNBed 算法，通过深度关系学习跨多个知识图谱的实体和关系表示，并结合实体链接和多任务训练方法，显著提高了关系学习和实体链接的准确性。

    Jul, 2018