Nov, 2022

利用概念感知信息在时间知识图上进行小样本归纳学习

PDF
TL;DR该研究提出了一种用于预测时间知识图谱中未出现实体链接的新方法，其中利用元学习和新构建的数据集来实现对未见实体的归纳学习，在此基础上提出了概念感知模型来提高模型比较性能。
knowledge graph completiontemporal knowledge graphsfew-shot learninginductive learningconcept-aware modeling
发现论文，激发创造
  • 利用置信度增强强化学习改善时间知识图上的少样本归纳学习

    FITCARL 是一种结合了少样本学习和强化学习的 TKGC 方法，通过引入候选动作的置信度计算模块和实体概念信息正则化器提高了在 TKG 新出现实体预测方面的表现。

    Apr, 2023

  • 时间知识图谱补全：综述

    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

  • 学习一次关系的元表示，用于时态知识图谱链接预测

    本文提出一种针对时间知识图谱的 few-shot learning 模型，通过时间关系建模，实现了在单样本情况下，对时间知识图谱进行关系预测

    May, 2022

  • Few-shot 知识图谱补全中的结构和常识知识调查

    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

  • 学习采样与聚合：少样本推理时间知识图谱

    本文研究少样本时间知识图谱推理问题，提出了 MetaTKGR 框架，通过时间监督信号对未来事实进行快速反馈，动态调整采样策略，并提供时间适应正则化器来稳定元时间推理。 在三个真实世界的时间知识图上进行的大量实验证明了 MetaTKGR 相对于最先进的基线模型的卓越性能。

    Oct, 2022

  • 知识图谱的单次关系学习

    本文提出了一种基于嵌入模型的一次性关系学习框架，将已有的知识和一跳图结构相结合，来预测在只有一个训练样例的情况下的新事实，并通过实验证明，在新关系预测和嵌入模型训练上，该模型具有巨大的性能优势。

    Aug, 2018

  • 开放世界的知识图谱补全

    本文介绍了一种名为 ConMask 的开放世界的知识图谱补全模型，该模型可以学习实体名称和其文本描述的嵌入以将未见过的实体连接到知识图谱中，并通过使用基于关系的内容掩蔽提取相关摘要以训练完全卷积神经网络来融合数据。实验证明，ConMask 在开放世界的知识图谱补全任务中表现良好，并且在标准的闭式世界知识图谱补全任务上甚至优于现有的补全模型。

    Nov, 2017

  • 基于图神经网络的非知识库实体知识迁移

    本文介绍了一种利用图神经网络计算 OOBK 实体嵌入的知识库完整性完成（KBC）模型，并在 WordNet 数据集上实现了最先进的性能。

    Jun, 2017

  • 少样本知识图谱补全

    本论文提出了一个新的模型，即 FSRL 模型，在少量有参考的情况下学习新关系，可以更有效地从异构图结构中获取知识，并匹配每个关系的参考集中的相似实体对。实验结果表明，该模型优于现有的最先进的模型。

    Nov, 2019

  • 基于归纳学习的常识知识图谱补全

    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