Aug, 2022

多批次新出现实体归纳知识图谱推理

PDF
TL;DR本研究提出了一种基于图卷积网络和关系聚合的归纳推理模型，利用自适应关系聚合和反馈注意机制对实体进行编码和更新，并针对新实体的稀疏性问题提出了链接增强策略。实验结果表明该模型在归纳知识图谱推理方面优于现有的基于嵌入、基于行走和基于规则的模型。
reasoningknowledge graphsinductive reasoninggraph convolutional networklink augmentation strategy
发现论文，激发创造
  • 知识图谱中的归纳逻辑查询回答

    研究使用图神经网络的归纳节点和关系结构表征方法对知识图谱中的新实体进行逻辑推理的方法，并实验发现归纳模型能够在推理时间内对未见节点进行推理，同时可以推广至训练天数 500％大的图表，表现出较高效率和效果平衡的特点。

    Oct, 2022

  • 知识图谱问答的变分推断

    本文介绍了一种基于知识图谱的问答系统，采取了一种新型的深度学习架构和端到端变分学习算法，可以同时处理问题中的噪声和多跳推理，在最新的基准数据集中取得了最优表现。

    Sep, 2017

  • 学习适应性传播以进行知识图谱推理

    本文介绍了基于图神经网络和知识图谱的学习方法，探讨了路径传播中关键因素，并提出了一种自适应的传播路径方法，通过过滤不相关的实体同时保留有前途的目标，实现了更深层次的信息抓取，最终获得了在归纳推理中领先的效果。

    May, 2022

  • 基于知识增强的迭代式指令生成和推理应用于知识库问答

    KBIGER 是一种使用知识图谱进行动态指令生成和推理的方法，用于解决多跳知识库问答的问题，并能够检测和修正中间实体的错误预测。

    Sep, 2022

  • 知识图谱上的元推理

    本文研究了在元学习范式下，少样本知识图谱推理的挑战和实际问题。提出了一种新的元学习框架，有效利用了本地图邻居和知识图谱中的推理路径等任务特定元信息。在两种少样本知识库补全基准测试中，我们展示了增强的任务特定元编码器比 MAML 更好，优于几个少样本学习基线模型。

    Aug, 2019

  • 开放知识图谱推理的协作策略学习

    本文提出了一种利用强化学习框架开发的面向缺失事实的多跳图推理和事实提取代理的协同训练方法，以预测知识图谱中缺失的事实，从而提升可解释性推理的效果。

    Aug, 2019

  • 针对知识图谱的归纳逻辑推理的查询结构建模

    本文提出了一种基于文本编码的结构模型框架，用于在知识图谱上进行归纳逻辑推理，通过设计渐进式的指令和额外的注意力和 maxout 层来增强结构建模，成功处理了复杂查询的逻辑结构，提高了在归纳和转导数据集上的推理效率。

    May, 2023

  • 适配元知识图谱信息以进行少样本关系的多跳推理

    本文提出了一种元学习式的多跳知识图谱（KG）推理方法（Meta-KGR），适用于少样本关系中的查询回答（QA）任务，通过学习适应于不同关系的元参数，提高模型的推理能力，实验表明，在 Freebase 和 NELL 数据集上，Meta-KGR 在少样本场景下优于现有技术方法。

    Aug, 2019

  • 知识图谱上的归因逻辑推理

    提出了一种针对知识图谱的诱导逻辑推理任务的生成模型方法，该方法使用监督学习和增强学习从观测中生成逻辑假设，并借助增强学习从知识图谱中提供更好的观测解释，实验证明该方法在三个常用知识图谱上取得了最先进的结果。

    Dec, 2023

  • 基于子图推理的归纳关系预测

    提出了一种基于图神经网络的关系预测框架 GraIL，该框架可以推理本地子图结构并具有强的归纳偏差来学习独立于实体的关系语义。与基于嵌入的模型不同，GraIL 是自然归纳的，并且可以在训练后推广到未看到的实体和图形。在归纳设置中，GraIL 优于现有的规则归纳基线。

    Nov, 2019