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
本文介绍了一种使用神经网络来处理知识图谱上的多跳逻辑查询的方法,并展示了实验室中的卓越性能,该方法可以处理包括否定查询在内的全一阶逻辑查询。
Sep, 2022
该研究介绍了一种广义的谐波扩展技术,通过利用传统的跨领域知识图嵌入方法学习的表示,推断引入的新实体在推理时的表示,并扩展了跨领域知识图嵌入方法的功能,可以用于知识图的补全和逻辑查询。
Sep, 2023
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
本文从逻辑表达式的角度对图神经网络进行了理论分析,实验结果验证了我们提出的实体标记方法的有效性,并揭示了基于标记技巧的最先进的方法为什么很有效。
Mar, 2023
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。
Aug, 2022
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
本论文提出了一种名为 InductivE 的学习框架,旨在解决 Commonsense Knowledge Graph(CKG)完成中可能出现的未见过实体的问题,该框架直接从原始实体属性 / 文本计算实体嵌入,并由一个自由文本编码器、一个图编码器和一个 KG 完成解码器组成。实验证明,InductivE 在 ATOMIC 和 ConceptNet 基准测试中都显著优于现有基线方法。
Sep, 2020
本文通过一个综合评估协议,探讨了使用预测链接的实体表示学习,并考虑了线性预测和实体分类任务以及针对面向实体的搜索的信息检索任务,通过一个预训练的语言模型体系结构,证明这些学习的表示不仅适用于 KG 特定任务,还具有比之前的方法更强的泛化性能,同时也在其他任务方面表现出色。
Oct, 2020
本研究提出了一种基于低维嵌入空间中的几何运算来有效处理知识图谱中逻辑查询的框架,能够在处理复杂查询时提高时间复杂度,这种方法应用于真实世界数据中能够提供有用的预测能力。
Jun, 2018