IJCAIMay, 2022

知识图谱多跳推理的类型感知嵌入

PDF
TL;DR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。
multihop reasoningknowledge graphsentity representationmessage passingtype-aware
发现论文，激发创造
  • TeMP：时间知识图谱补全的时间消息传递

    提出了 Temporal Message Passing (TeMP) 框架，通过结合图神经网络、时间动力学模型、数据填充和基于频率的门控技术来解决时态知识图中缺失事实的问题，实验表明我们的方法相较于现有的方法提高了 10.7％的平均相对精度，并提出了几个简单却强大的基线模型在某些情况下可以超越现有的最佳结果。

    Oct, 2020

  • 超关系知识图谱上的查询嵌入

    本文介绍了如何利用 Graph Neural Networks 来嵌入和回答超关系连接查询，以处理新型复杂查询，同时提出了一种提高查询效率的方法，并在实验证明 Qualifier 可以在多种查询模式下提高查询效果。

    Jun, 2021

  • 连接嵌入对知识图谱实体类型进行分类

    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

  • TempoQR: 在知识图谱上进行时间问题推理

    本文提出了一种基于嵌入感知的方法，名为 'Temporal Question Reasoning' (TempoQR)，用于回答复杂的基于时间的知识图谱问答。实验表明，TempoQR 在复杂的时间问题上比现有的先进方法提高了 25-45 个百分点，并且更好地泛化到看不见的问题类型。

    Dec, 2021

  • 消息传递查询嵌入

    本文提出了一种基于图神经网络对查询进行编码的通用架构，与现有方法相比，该方法可以编码更多种类型的查询。实验结果表明，该模型可以学习到表示实体类型的实体嵌入，并在复杂查询方面表现优异。

    Feb, 2020

  • 知识图谱中基于上下文的实体类型识别

    本研究提出了一种利用上下文信息进行知识图谱实体类型推理的新方法，设计了两种推理机制：N2T 和 Agg2T，并提出了一种新的损失函数以减轻训练期间的误测问题。实验证明了该方法的有效性。

    Sep, 2021

  • 学习序列编码器用于时间知识图谱补全

    本文研究了基于时间的知识图谱中的联结预测问题，提出一种使用循环神经网络和潜在因式分解相结合的方法，以学习具有时间感知的关系类型表示，以解决现实世界知识图谱中稀疏性和异质性等问题，并在四个时间知识图谱数据集上进行了实验验证。

    Sep, 2018

  • 遮盖和原因：预训练知识图谱变形器用于复杂逻辑查询

    本文介绍了一种利用知识图谱转换器进行推理的方法，使用了掩码预训练和微调策略。 经过学习处理复杂逻辑查询，结果表明 kgTransformer 在 9 种不同领域的任务中表现优异，并提供了全面的推理路径解释。

    Aug, 2022

  • 归纳知识图谱嵌入的元知识迁移

    本文提出一种名为 MorsE 的模型，该模型不学习实体的嵌入，而是学习可转移的元知识，以生成实体的嵌入，这种元知识由实体独立模块建模并通过元学习进行学习，在归纳设置下，该模型可以显着优于相应的基线模型，适用于知识图谱的内部和外部任务。

    Oct, 2021

  • AutoETER：用于知识图谱嵌入的自动化实体类型表示

    我们开发了新型的 KGE 框架，使用智能化实体类型嵌入自动化技术，可以更好地表示实体的信息并可同时推断出对称性、倒置性、组合关系以及 1-N、N-1 和 N-N 等复杂关系，相较于现有的先进基础线性任务，实验表明我们提出的模型对于关系预测具有明显的优势。

    Sep, 2020