Oct, 2022

关系消息传递用于完全归纳知识图谱补全

PDF
TL;DR本研究提出了一种新方法 RMPI，它使用关系信息直接传递消息来充分利用子图推理中的关系模式，具有一定的归纳能力，并且可以比现有的全归纳 KGC 方法表现更好。
knowledge graph completionsubgraph reasoningrelational message passinginductive learninggraph transformation
发现论文，激发创造
  • 关系型信息传递用于知识图谱补全

    本研究提出了一种基于关系消息传递的知识图完成方法，它仅使用边缘特征进行关系预测，该方法在许多知识图数据集上胜过现有的方法，并适用于归纳环境，具有可解释性。

    Feb, 2020

  • 归纳式关系推理的沟通信息传递

    提出了一种基于子图的神经网络模型 CoMPILE，该模型以专注于本地有向子图结构和强大的归纳偏置为特点，在推理和处理实体无关的语义关系方面具有优越性能。

    Dec, 2020

  • 归纳关系推理的消息互通

    本文提出一种基于图归纳学习的归纳关系推理模型，名为 MINES，引入了邻居增强子图上的消息互通机制，以捕获省略的隐藏信息，从而超越了现有的最先进模型，并展示了我们的互联机制和邻居增强子图上的关系推理的有效性。

    May, 2023

  • 基于大型语言模型的多角度知识图谱补全方法改进

    MPIKGC 是一个通用框架，利用大型语言模型从不同的角度查询以补偿环境化知识的不足，改进了基于描述的知识图补全方法，扩展了实体描述，理解关系，并提取结构，通过四种基于描述的知识图补全模型和四个数据集进行了广泛评估，适用于链接预测和三元组分类任务。

    Mar, 2024

  • 大规模知识图谱推理的动态修剪信息传递网络

    本研究提出了基于动态修剪的消息传递网络 (DPMPN) 来进行大规模知识图谱推理，该模型使用图形式的注意力机制来动态构造和扩展子图，并且能够对输入进行建模，可同时提供图形式的解释和准确的预测，并在知识库完成任务中胜过大部分现有方法。

    Sep, 2019

  • 知识图谱上的复杂问答消息传递

    本文提出了一种基于无监督消息传递的复杂知识图谱问答方法，通过识别问题类型，并在图结构中传递置信度分数来进行答案实体的定位和聚合，其在 LC-QuAD 基准测试中表现优于现有方法，具有较高的实现效率和通用性。

    Aug, 2019

  • 高效信息传递机制的神经关系推断

    该研究采用带有结构先验知识的图神经网络，提出了高效的信息传递机制来共同学习动态关系和规则，并且在模拟物理系统上的实验结果表明，所提出的方法优于现有的最先进方法。

    Jan, 2021

  • 通过关系网络进行归纳式知识图谱补全的逻辑推理

    针对归纳性知识图谱补全（KGC）的问题，我们提出了一种新颖的 iNfOmax RelAtion Network（NORAN），旨在挖掘适用于归纳性 KGC 的潜在关系模式，实验结果表明我们的框架在五个基准测试中显著优于现有的 KGC 方法。

    Jun, 2024

  • 知识图谱多跳推理的类型感知嵌入

    本文提出了一种新颖的基于 TypE-aware 信息传递（TEMP）模型，它通过加强查询中的实体和关系表示，并同时提高了概括推理、演绎推理和归纳推理，来利用知识库中关键的语义知识，从而提高现有嵌入式模型的性能。实验结果表明其有效性。

    May, 2022

  • 按能力而非得到的结果行事：基于拓扑结构的多模态知识图谱多跳推理

    本文提出了一种拓扑感知的、适用于归纳和推理环境下的多模态知识图谱推理方法 TMR，该方法主要由任务感知归纳表示和关系增强自适应强化学习两个组件构成，并在不同规模的归纳推理数据集上进行了评估。实验表明，TMR 在归纳和推理环境下均优于现有的多模态知识图谱推理方法。

    Jun, 2023