Sep, 2022

在开放世界假设下重新思考知识图谱评估

PDF
TL;DR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。
knowledge graph completionevaluation metricsopen-world assumptionmissing factsmodel improvement
发现论文，激发创造
  • 从信息检索角度重新思考知识图谱完成度评估

    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。

    May, 2022

  • 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

  • 开放世界的知识图谱补全

    本文介绍了一种名为 ConMask 的开放世界的知识图谱补全模型，该模型可以学习实体名称和其文本描述的嵌入以将未见过的实体连接到知识图谱中，并通过使用基于关系的内容掩蔽提取相关摘要以训练完全卷积神经网络来融合数据。实验证明，ConMask 在开放世界的知识图谱补全任务中表现良好，并且在标准的闭式世界知识图谱补全任务上甚至优于现有的补全模型。

    Nov, 2017

  • 基于多源嘈杂数据的可信知识图谱补全

    本研究提出了一种基于多个噪声数据源和 KG 中现有事实的知识图谱，采用图神经网络建议了一种整体评分函数，结合价值对齐网络解决了价值间的异质性并将其映射到实体，进而设计了一个真实推理模型，并采用半监督学习法从异构价值中推导出真实性。

    Jan, 2022

  • 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

  • 评估知识图谱嵌入的校准性，用于可靠的链接预测

    本文研究了知识图谱嵌入模型的可信度，并通过校准技术在标准的封闭世界状态下对其进行了评估，然后引入更现实但具有挑战性的开放世界状态。最后通过人机协作案例来说明校准的实用性。

    Apr, 2020

  • 通过联合建模知识图谱和软规则进行知识推理

    本文提出了一种新的方法，通过迭代学习来注入规则并学习表示以充分利用规则和嵌入，取得了高效性和可扩展性的良好平衡，并通过两个公共数据集的评估，优于当前最先进方法，提高了均值倒数排名（MRR）2.7％和 4.3％。

    Jan, 2023

  • 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

  • 图查询的近似答案

    知识图谱是不完全的，因为世界知识不完整且受到输入的偏见影响。本文概述了几种方法，这些方法被提出来以在这种环境下回答查询。首先，我们提供了各种查询类型的概述，这些方法可以支持这些查询类型，并介绍了用于评估的数据集以及它们的局限性。然后，我们概述了不同的方法，并描述了它们的表达能力、支持的图类型和推理能力。

    Aug, 2023

  • 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