EMNLPOct, 2022

基于 Transformer 的实体类型在知识图谱中的应用

PDF
TL;DR本研究提出了一种基于 Transformer 的实体类型推断方法 (TET)，通过对实体邻居内容的有效编码，利用三种不同机制 (本地 Transformer、全局 Transformer 和上下文 Transformer) 来推断实体的缺失类型，并使用类型的类成员身份信息来语义强化实体的表示。实验表明，相对于现有技术，TET 的性能更卓越。
发现论文，激发创造
  • 知识图谱中基于上下文的实体类型识别

    本研究提出了一种利用上下文信息进行知识图谱实体类型推理的新方法，设计了两种推理机制：N2T 和 Agg2T，并提出了一种新的损失函数以减轻训练期间的误测问题。实验证明了该方法的有效性。

    Sep, 2021

  • COTET：用于知识图谱实体类型的跨视图最优传输

    通过将类型聚类信息有效地融入实体和类型的表示中，Cross-view Optimal Transport（COTET）方法通过多视图生成和编码、交叉视图最优传输和基于汇聚机制的实体类型预测模块，在知识图谱实体类型推理任务中展现出了显著的效果。

    May, 2024

  • 知识图谱实体类型的语义和结构知识整合

    本文提出了一种新颖的 SSET（Semantic and Structure-aware KG Entity Typing）框架，通过结合结构知识和语义知识，以及利用两种模块的推理结果生成鲁棒性较强的类型预测，显著优于现有的最先进方法。

    Apr, 2024

  • 连接嵌入对知识图谱实体类型进行分类

    本文提出了一种新方法，通过共同利用现有实体类型和知识图谱中的全局三元组知识以及两个嵌入模型，推断知识图谱中缺失的实体类型实例；在真实数据集上实验结果显示，此方法和模型可以有效地提高知识图谱实体分类。

    Jul, 2020

  • AutoETER：用于知识图谱嵌入的自动化实体类型表示

    我们开发了新型的 KGE 框架，使用智能化实体类型嵌入自动化技术，可以更好地表示实体的信息并可同时推断出对称性、倒置性、组合关系以及 1-N、N-1 和 N-N 等复杂关系，相较于现有的先进基础线性任务，实验表明我们提出的模型对于关系预测具有明显的优势。

    Sep, 2020

  • 知识图谱上的实体类型的多视角对比学习

    本文介绍了一种名为多视图对比学习的知识图谱实体类型推断方法，它将聚类提供的粗粒度知识编码到实体和类型嵌入中，并通过多个模块实现结构化信息的编码、不同视角的对比学习以及缺失实体类型的推断。实验证明了该方法相对于现有的最优方法具有较强的性能。

    Oct, 2023

  • 利用图遍历和实体描述进行实体类型预测

    提出了一种利用 RDF2vec 不同图形遍历策略和实体的文本描述来进行实体打标的新方法（GRAND）。实验表明，引入上下文信息的方式和生成图行走序列的策略对于实体打标在 KG 中有重要影响。该方法在 DBpedia 和 FIGER 基准数据集上，对于精细和粗粒度类组合都优于基线方案。

    Jul, 2022

  • 释放 Transformer 在图形任务中的能力

    本研究提出了一种名为 DET 的新型 Transformer 架构，采用结构编码器聚合连接邻居的信息和语义编码器聚焦于远距离节点，通过自监督训练寻找所需的远距离邻居，比使用多跳邻居的方法更为优越。实验结果表明，DET 在处理分子、网络和各种规模的知识图谱方面比对应的最新方法具有更优越的性能表现。

    Feb, 2022

  • 为实现精细化实体类型标注而进行的本体增强

    OnEFET 是一种无需人工注释的高质量细粒度实体类型方法，通过对本体结构进行信息扩充，并利用训练样本扩充和话题信息的粗到细的分层方法，超越现有的零样本方法，赶上有监督方法。

    Oct, 2023

  • 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