一个主题感知的图神经网络模型用于知识库更新

Aug, 2022

一个主题感知的图神经网络模型用于知识库更新

A topic-aware graph neural network model for knowledge base updating

Jiajun Tong, Zhixiao Wang, Xiaobin Rui

TL;DR基于用户查询日志，构造主题感知的图网络进行知识更新，通过实体属性图训练 GNN 实体更新模型以确定实体是否需要同步，并使用最小编辑次数算法将过滤的实体与知识库中的实体进行匹配和更新。

Abstract

The open domain knowledge base is very important. It is usually extracted from encyclopedia websites and is widely used in knowledge retrieval systems, question answering systems, or recommendation systems. In practice, the key challenge is to maintain an up-to-date knowledge base. Dif

open domain knowledge base knowledge updating graph network entity attribute graph gnn entity update model

发现论文，激发创造

基于知识图谱的神经网络在自然语言处理中的应用

提出了一种增强学习模型的方案，即通过知识图谱的事实三元组来为自然语言处理任务提供上下文知识，并采用基于卷积的模型来减少关注空间，从而大大提高了文本分类和自然语言推理任务的性能。

Feb, 2018

GE-Blender: Blender 的基于图的知识增强

本研究提出了一种基于图形的方法，利用实体节点和命名实体标签预测来加强上下文中未见实体的表示，以解决在对话生成中未见实体的逻辑解释问题，并通过实验表明该方法在开放数据集 Wizard of Wikipedia 上优于现有方法。

Jan, 2023

利用嵌入式知识图谱进行链接预测

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

基于图神经网络的非知识库实体知识迁移

本文介绍了一种利用图神经网络计算 OOBK 实体嵌入的知识库完整性完成（KBC）模型，并在 WordNet 数据集上实现了最先进的性能。

Jun, 2017

基于远程监督迭代训练的粗到细的知识图谱领域适应

本文针对现代深度学习神经网络模型需要大量手动标注数据以及从大量文本数据中构建领域特定知识图谱的困难问题，提出一个将知识图谱自适应和重新学习应用于不需要手动注释训练数据的领域适应性构建的综合框架，并引入了一种新的迭代训练策略来促进领域特定命名实体和三元组的发现和抽取，实验结果表明，该框架可以有效执行领域适应和构建知识图谱的任务。

Nov, 2022

知识图谱辅助自动体育新闻写作

本论文提出了一种新颖的方法，通过提取直播文本中的关键时刻，并使用它们创建新闻的初始草稿，进一步通过特殊设计的体育知识图谱中的关键细节和背景信息进行改进，利用融合卷积神经网络和变换器编码器的多阶段学习模型，通过处理器计算不完整三元组的匹配分数，解决了少样本知识图谱补全问题，并经过主客观评估确认其能够彻底改变体育新闻的创作方式。

Feb, 2024

基于图形迭代检索多个知识源来提高常识问答

该研究提出了一种将多种知识源集成起来的问题回答方法，着重利用基于图的迭代知识检索模块和答案感知的注意机制，从多个知识源中检索和综合背景知识，并在 CommonsenseQA 数据集上实现了最优的表现。

Nov, 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

利用知识图谱增强神经机器翻译

本文研究证明，通过在神经网络中嵌入知识图谱可以提高实体和专有名词的翻译效果，并提出了两种方法以增强神经模型的语义特征提取和对数据稀缺性和词汇表外的单词的挑战进行了探讨，结果表明，KG-NMT 模型取得了很好的效果。

Feb, 2019

基于知识图谱和改进注意力机制的文本分类

为了解决文本中的语义模糊问题，我们提出了一个模型，创新地将知识图谱与改进的注意机制结合起来。该模型在字符和词级别上运作，通过集成概念来加深对文本的理解。我们首先采用信息增益选择重要词，然后采用编码器 - 解码器框架对文本及相关概念进行编码。本地注意机制调整每个概念的权重，在分类过程中减少不相关或噪声概念的影响。我们改进了本地自注意机制中注意分数的计算公式，确保文本中不同频率出现的词语获得更高的注意分数。最后，该模型采用了双向门控循环单元（Bi-GRU），从文本中提取特征以提高分类准确性。该模型在 AGNews、Ohsumed 和 TagMyNews 等数据集上达到了 75.1%、58.7% 和 68.5% 的准确率，展示了其在分类任务中的有效性。

Jan, 2024