Jun, 2022

TeKo：带外部知识的文本丰富图神经网络

PDF
TL;DR提出了一种基于外部知识的文本丰富图神经网络，能够充分利用文本丰富网络中的结构和文本信息，并设计了一种相互卷积机制用于构建异构语义网络，从而实现网络结构和文本语义的互动，得出了优于现有基线的实验结果。
graph neural networkstextual semanticsexternal knowledgeheterogeneous semantic networkreciprocal convolutional mechanism
发现论文，激发创造
  • 一个语义分层图神经网络用于文本分类

    本文研究了基于图神经网络的文本分类任务，提出了一种新的分层图神经网络模型（HieGNN），其在词级别、句子级别和文档级别分别提取相应的信息。实验结果表明与几个基准方法相比，我们的模型能够从样本中获得更多有用的分类信息。

    Sep, 2022

  • 基于上下文和知识图谱的动态表示

    本文提出了一种名为 CKG 的动态表示方法，利用外部知识图谱中的实体信息来提高语言句子的正确语义，实验表明，CKG 在多项任务中达到了最优结果。

    Dec, 2022

  • 一种利用实体引导的，采用关系异构图神经网络的文本摘要框架

    本篇论文提出了一种基于实体的文本摘要方法，采用实体构建句子 - 实体图，连接知识图谱和图神经网络实现摘要，提高了提取式和生成式基线的性能。

    Feb, 2023

  • 边缘：用外部文本丰富知识图谱嵌入

    该论文提出了一种名为 Edge 的知识图谱增强和嵌入框架，通过外部文本语义和结构层面的知识图谱增强，设计图对齐术语，负采样和嵌入学习，Edge 在链接预测和节点分类方面表现出鲁棒性和高效性。

    Apr, 2021

  • 基于知识嵌入的图卷积网络

    本研究提出了一种新的框架 -- 基于知识嵌入的图卷积网络 (KE-GCN)，该框架充分利用了复杂图形的丰富结构信息，并针对图的异构性和节点更新问题进行改进，优于具有同类基线方法的表现。

    Jun, 2020

  • 知识增强的图神经网络

    提出 KeGNN，一种神经符号框架，结合了神经和符号方法，用于图数据的学习，旨在通过添加系统先前知识来提高精度，并通过多个基准数据集的节点分类进行评估。

    Mar, 2023

  • LaKo: 基于知识驱动的视觉问答，通过后期知识注入到文本中

    本文提出了一种知识驱动的视觉问题回答方法，通过后期注入机制将知识图谱中的三元组转化为文本格式，采用有效的编码器 - 解码器模型以将 VQA 任务视为文本生成任务，取得了 OKVQA 数据集上的最佳效果。

    Jul, 2022

  • 通过序列文本和知识图谱联合学习进行知识表示

    本论文提出一种基于顺序文本的知识表示学习方法，通过循环神经网络、注意力机制等实现对实体语义信息的编码和选取信息量高的语句，以及在三元组分类和链接预测任务中实现了优异的效果。

    Sep, 2016

  • 基于结构增强的文本表示学习用于高效的知识图谱补全

    本研究旨在整合知识图谱的图嵌入和文本编码技术，以提高自动完成知识图谱的性能，实现更精确的链接预测和结构学习。实验结果表明，该方法能实现与文本编码方法相比 1-2 个数量级的推理成本减少和最先进的性能表现。

    Apr, 2020

  • 通过探索知识图谱进行实体描述生成

    本文介绍了一个大规模、有挑战性的数据集，以促进知识图谱到文本分类的实际场景研究，同时提出了一种多图结构和聚合方法，以更全面地代表原始图信息，并成功解决信息丢失和参数爆炸的问题。

    Apr, 2020