知识图谱补全综述
本文介绍了基于嵌入式知识图谱网络的知识库完成方法,通过使用端到端反向传播训练,可以将大型知识库压缩成优化的版本,并在知识库完成基准测试中取得了最新的最佳结果。
Nov, 2016
在本研究中,我们提出了一种关系预测模型,它利用了知识图中的文本和结构信息,并结合了步行式嵌入和语言模型嵌入来有效地表示节点。通过在一个广泛使用的数据集上进行评估,我们证明了我们的模型在关系预测任务中取得了有竞争力的结果。
Apr, 2024
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
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
本研究通过对少样本知识图谱自动补全任务的学习方法、任务应用、以及未来研究领域的调查和总结,提出了一种使用图形表示学习和少样本学习优势的 FKGC 方法,以期解决常规 KG 和 CKG 补全任务中长尾关系及新关系的问题,并在不同领域的预测任务中应用 FKGC 模型。
Jan, 2023
该研究提出了一种用于高度关联知识图谱 (HKGs) 补全的方法,该方法引入了两个新修订:一是用轻量级实体 / 关系嵌入处理技术替换计算量大的图神经网络模块以提高计算效率;二是增加一个定向于合格证的辅助训练任务以提高该方法的预测能力,并且该方法在三个基准数据集上的实验中始终优于 STARE,计算效率显著提高。
Apr, 2021
本文提出了一种利用预训练的 transformer 语言模型来执行学术知识图谱补全的方法 ——exBERT,并在三个学术知识图谱完成数据集上表现优异,还提供了两个学术数据集作为资源。
Nov, 2021
本文综述了知识图谱完成中的当前研究状态,特别关注了知识图谱嵌入设计的两个主要分支:基于距离的方法和基于语义匹配的方法,并探讨了与最近提出的模型之间的关联及其背后的趋势,最后讨论了利用预训练语言模型和实体关系的文本描述相结合进行知识图谱完成的新方法。
Sep, 2023
本文提出了一种基于嵌入模型的一次性关系学习框架,将已有的知识和一跳图结构相结合,来预测在只有一个训练样例的情况下的新事实,并通过实验证明,在新关系预测和嵌入模型训练上,该模型具有巨大的性能优势。
Aug, 2018