该论文提出了 KG-S2S,这是一个 Seq2Seq 生成框架,可以通过将 KG 事实的表示统一到 “平坦” 的文本中来应对不同的可言述的图形结构,实验表明在五个基准测试中,KG-S2S 胜过了许多竞争性的基线,从而设置了新的最先进性能。
Sep, 2022
使用知识图谱增强对话代理的准确性和全面性,但在对话时生成文本仍被认为是一项具有挑战性的任务,本文回顾了知识图谱文本生成的不同架构,包括图神经网络、图变换器和序列到序列模型,选择使用序列到序列变压器模型(PLMs)作为知识图谱到文本生成任务的模型,并探索未来多语言维度的研究方向。
Jul, 2023
本研究首次总结了时间知识图补全方法的研究进展,包括背景、基准数据集、评估指标以及现有方法,旨在解决静态知识图补全方法的不准确问题。未来的研究方向也在文章中提出。
Jan, 2022
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
本论文提出 GenKGC 方法,运用预训练语言模型将知识图谱补全转化为序列生成任务,结合关系引导演示和实体感知分层解码以实现更好的表示学习和更快的推理,并在三个数据集上进行实验,结果表明该方法比基线更优或具有可比较的性能,与预训练语言模型先前的方法相比,具有更快的推理速度。此外,我们还发布了一个新的大规模中文知识图谱数据集 AliopenKG500 供研究使用。
Feb, 2022
本文论述如何为知识图谱的建设和持续更新提供通用管道,谈论了高质量 KG 的必需步骤,包括元数据管理,本体开发和质量保证,并对 KG 建设工具和策略的现状进行评估和总结,并提出了需要进一步研究和改进的领域。
Feb, 2023
KC-GenRe 是一种基于 LLMs 的知识约束生成重排序方法,用于知识图谱完成任务,通过生成的 LLMs 解决了匹配问题、排序问题和遗漏问题,并取得了优于以往方法的性能。
Mar, 2024
CooperKGC 是一个新颖的框架,通过建立协作处理网络,同时解决实体、关系和事件提取任务,展示合作和信息交互在知识选择、纠正和聚合方面的优越性。
Dec, 2023
本研究通过对少样本知识图谱自动补全任务的学习方法、任务应用、以及未来研究领域的调查和总结,提出了一种使用图形表示学习和少样本学习优势的 FKGC 方法,以期解决常规 KG 和 CKG 补全任务中长尾关系及新关系的问题,并在不同领域的预测任务中应用 FKGC 模型。
Jan, 2023
通过代码语言模型生成三元组以构建语义结构明确的知识图谱,并使用增强理由生成法提高知识提取能力,实验结果表明该方法在基准数据集上取得优异表现。
Apr, 2023