Oct, 2022

ProVe: 知识图谱自动溯源验证流程与文本来源的一致性

PDF
TL;DRProVe 是一个自动验证知识图谱三元组是否由所记录的来源文本支持的工具，主要应用于信息策划领域，包括基于规则的方法和机器学习模型，对 Wikidata 数据集进行了评估，并在文本丰富的数据源上实现了优异的支持检测二元分类任务，准确率为 87.5％，F1-macro 为 82.9％。
knowledge graphsstructured dataprovenanceinformation curationmachine learning models
发现论文，激发创造
  • 基於知識圖譜的合成語料庫生成用於知識增強語言模型預訓練

    本文研究了将知识图谱转化为自然语言文本的任务，主要讨论了广泛的开放领域大规模语言生成的挑战，将知识图谱转化为自然语言文本，从而提高了语言模型的事实准确性和减少了毒性。通过对开放领域 QA 和 LAMA 知识探测的任务进行评估，表明该方法在文本检索方面有很大的优势。

    Oct, 2020

  • 从文本生成知识图谱

    提出了一种通过对文本输入进行多阶段知识图谱生成的系统，并通过使用预训练的语言模型生成图节点，然后使用简单的边构造头部来使得从文本中提取知识图谱效率更高。该模型在 WebNLG 2020 挑战数据集，New York Times（NYT）和大规模 TekGen 数据集上表现不错，超过现有基线。

    Nov, 2022

  • 用于几乎任何语言的自动事实核查的流水线和数据集生成

    利用可公开获得的语言模型和数据，本文提出了一种自动事实核查的管道，目的是使用来自基本证据语料库的证据评估文本主张的准确性。

    Dec, 2023

  • 构建一个论证挖掘流程，将文本转化为论证图

    本文介绍了一种通用的应对于德语和英语文本自动提取出行文构成及关系的演绎方法，结果表明该方法可有效生成有助于检测行文中语句之间关联性的演绎图，评估基于已有基准演绎结构。

    Jun, 2020

  • 知识图谱的构建：现状与挑战

    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

  • Text2KGBench：基于本体驱动的文本知识图谱生成基准

    该研究论文介绍了 Text2KGBench 这个基准评估工具，可以评估语言模型的能力，从自然语言文本中生成知识图谱，并根据本体论从文本中提取事实。研究还提供了基准模型的结果和显示了使用语义网和自然语言处理技术，可以进一步提高模型性能的潜力。

    Aug, 2023

  • 通过探索知识图谱进行实体描述生成

    本文介绍了一个大规模、有挑战性的数据集，以促进知识图谱到文本分类的实际场景研究，同时提出了一种多图结构和聚合方法，以更全面地代表原始图信息，并成功解决信息丢失和参数爆炸的问题。

    Apr, 2020

  • Veni, Vidi, Vici：解决知识图谱学习前的众多挑战

    知识图谱（KGs）在表示大规模关联数据方面变得越来越普遍。本文识别了四个关键缺陷，它们同时限制了 KG 学习性能并减弱了人类与这些学习系统进行最佳接口的能力。我们认为，只有通过对 KG 学习系统的局限性进行综合、整体化的解决方案，人类和 KG 学习的共同赋能才能有效实现。

    Feb, 2024

  • 构建和服务大型开放领域知识图谱

    本文介绍了基于领域知识图谱的 Saga 平台，包括训练知识图谱嵌入和创建语义注释服务，以及使用注释 Web 文档来驱动开放领域知识抽取。同时，我们还描述了构建和处理个人知识的平台适应。

    May, 2023

  • VisionKG：通过知识图谱释放视觉数据集的力量

    我们提出了一种基于知识图谱和语义网络技术的 Vision Knowledge Graph（VisionKG），用于链接、组织和管理具有异构特征的视觉数据集，提供简单访问和查询不同格式和分类法的最新视觉数据集，增强语义丰富性并通过 SPARQL 提供多种数据检索与探索服务，集成了 30 个数据集和四个流行 CV 任务，展示了在 CV 流程中的多种应用场景。

    Sep, 2023