SIGIRMay, 2022

从信息检索角度重新思考知识图谱完成度评估

PDF
TL;DR本文对知识图谱补全 (KGC) 评估方法的合理性进行了深入研究，发现现有的微观度量方法在面对大规模知识库的标注不足时存在问题，而宏观度量方法更为稳健，提出 TREC-style pooling 方法可以在考虑标注完整性的同时平衡人力成本，同时建议使用宏观度量来反映 KGC 任务的排名性质。
knowledge graph completionentity ranking protocollabel sparsitymicro metricsmacro metrics
发现论文，激发创造
  • 知识图谱补全方法的重新评估

    本文旨在探讨在大型知识图谱中自动预测缺失链接的 KGC 技术，针对最近几篇高水平论文达到的高性能，提出了一个简单的评估协议来解决模型偏差的问题，并使用该协议对几种现有方法进行了广泛的实验，同时公开了可复现的代码。

    Nov, 2019

  • 在开放世界假设下重新思考知识图谱评估

    本文研究了在更现实的开放世界假设下，知识图谱补全模型的评估，指出在测试时采用的指标可能会不正确反映模型的表现，因为未知的三元组可能包含许多缺失的事实，不在训练或测试集中，因此建议对数据进行更多的探索和量化分析以改进现有的评估方法。

    Sep, 2022

  • 知识图谱完善：基于知识检索和阅读理解的方法

    该研究提出一种基于信息检索和阅读理解的知识图谱自动完成模型，在实验中发现该模型可以很好地解决无法从现有知识中推断的关系，并在多个知识图谱自动完成数据集上取得良好结果。

    Oct, 2022

  • 为归纳式知识图谱补全构建更好的基准数据集

    通过提出一种新的策略构建归纳性的知识图谱补全（Knowledge Graph Completion，KGC）数据集，此策略有助于缓解 Personalized PageRank（PPR）的缺陷，进而使用这些数据集评估了多种常见方法的性能，促进了对归纳性 KGC 的能力和挑战的更好理解。

    Jun, 2024

  • 逐步增强的知识图谱补全

    在这篇论文中，我们研究了与真实世界建设场景相关的三个重要过程：验证过程，挖掘过程和训练过程，并通过整合这三个过程引入了渐进式知识图谱完成（PKGC）任务，以模拟在真实世界场景中逐步完善知识图谱的过程。此外，为了加快 PKGC 处理，我们提出了两个加速模块：优化的 Top-k 算法和语义有效性过滤器，这些模块显著提高了挖掘过程的效率。我们的实验证明链接预测的性能不能准确反映 PKGC 的性能，更深入的分析揭示了影响结果的关键因素，并为未来的研究提供了潜在的方向。

    Apr, 2024

  • 基于大型语言模型的多角度知识图谱补全方法改进

    MPIKGC 是一个通用框架，利用大型语言模型从不同的角度查询以补偿环境化知识的不足，改进了基于描述的知识图补全方法，扩展了实体描述，理解关系，并提取结构，通过四种基于描述的知识图补全模型和四个数据集进行了广泛评估，适用于链接预测和三元组分类任务。

    Mar, 2024

  • GreenKGC：一种轻量级的知识图谱补全方法

    本文提出了一种轻量级模块化知识图谱完成 (GreenKGC) 方案，该方案包含三个模块：表示学习、特征修剪和决策学习，旨在解决在获得更好推理能力的同时保持较小的模型大小。实验结果表明，GreenKGC 可以在较小的模型尺寸下达到与高维嵌入方法相当甚至更好的性能，并且可以推广到更多任务中。

    Aug, 2022

  • 时间知识图谱补全：综述

    本研究首次总结了时间知识图补全方法的研究进展，包括背景、基准数据集、评估指标以及现有方法，旨在解决静态知识图补全方法的不准确问题。未来的研究方向也在文章中提出。

    Jan, 2022

  • KC-GenRe: 基于大型语言模型的知识约束生成式重排序方法用于知识图谱补全

    KC-GenRe 是一种基于 LLMs 的知识约束生成重排序方法，用于知识图谱完成任务，通过生成的 LLMs 解决了匹配问题、排序问题和遗漏问题，并取得了优于以往方法的性能。

    Mar, 2024

  • 我们是否浪费了时间？一个快速、准确的知识图谱链接预测器绩效评估框架

    我们在这篇论文中对知识图谱完成方法的标准评估协议进行了全面的分析，发现了采用随机抽样评估链接预测或建议方法的严重局限性，并提出了一种使用关系推荐器指导评估候选对象选择的框架，通过有效的预处理和抽样方法，可以在大大减少计算时间的同时，可靠地预测整个排序过程的实际性能。

    Jan, 2024