Nov, 2022

对比知识图谱错误检测

PDF
TL;DR本文提出了一种新的框架，ContrAstive knowledge Graph Error Detection (CAGED), 结合了 Knowledge Graph (KG) 的 embedding 和对比学习的 loss，对 KG 中的三元组进行可靠性评估，从而检测异常，通过在不同超视图中的建模 CAGED 比现有方法表现更好。
knowledge graphkg error detectioncontrastive learningmulti-viewstrustworthiness
发现论文，激发创造
  • 知识图谱错误检测与对比置信度调整

    我们提出了一种知识图谱错误检测模型 CCA，通过整合三元组重构中的文本信息和图结构信息，以更好地区分语义，设计交互式对比学习来捕捉文本和结构模式之间的差异，并通过构建包含语义相似噪声和对抗噪声的现实数据集来验证实验结果，表明 CCA 在检测语义相似噪声和对抗噪声方面优于现有基线模型。

    Dec, 2023

  • 知识图谱对比学习用于推荐

    提出了一种知识图谱对比学习的框架 (KGCL)，该框架通过知识图谱增强模式减少了噪声，利用交叉视图对比学习技术进一步抑制了噪声，实现了在稀疏、长尾和有噪声的知识图谱场景下的强大性能。

    May, 2022

  • 基于关系对称性的知识图谱对比学习

    本文介绍了一种基于关系对称结构的知识图谱对比学习框架 KGE-SymCL，通过设计可插拔的方法将关系对称位置中的实体作为正样本用于对比学习，同时使用自监督对齐损失来使构建的样本对更加相似，实验结果表明该框架具有很好的泛化能力和优越性。

    Nov, 2022

  • 通过对比学习提高知识驱动对话的稳健性

    基于对话文本和外部知识的知识驱动对话系统面临实际应用中各种噪声干扰，为提高系统鲁棒性，我们提出了一种基于实体对比学习的框架，通过引入两种类型的干扰样本，使得模型在真实应用中能够生成具有信息性的回应，实验证明该方法在三个基准数据集上实现了最新的性能提升，并在噪声和少样本场景下胜过其他模型。

    Jan, 2024

  • KBGAN：知识图谱嵌入的对抗学习

    KBGAN 是一种对抗学习框架，利用知识图谱嵌入模型作为负样本生成器，辅助训练目标模型，从而大幅提高链接预测任务的性能。

    Nov, 2017

  • 医疗关系预测的基于节点的知识图对比学习

    本文提出了一种基于节点的对比学习方法 NC-KGE，通过在知识图谱上构建适当的对比节点对来提升嵌入和加速训练收敛，并通过加入关系感知注意机制对生物医药关系预测任务进行了改进，实验证明 NC-KGE 在公共数据集和生物医药数据集上具有竞争力并且在预测药物组合关系方面优于其他模型。

    Oct, 2023

  • 多层交互对比学习在知识感知推荐中的应用

    本文提出了一种基于对比学习的知识感知推荐模型，结合了本地和非本地的知识图谱，并采用层级交互对比学习来提高推荐性能。

    Aug, 2022

  • 跨图表示学习实现高效知识图谱验证

    利用知识图谱中概念语义信息的交叉表示学习框架 CrossVal，通过嵌入三元组、绘制交叉负样本及估计每个三元组的正确性程度来有效验证知识图谱中的三元组。

    Aug, 2020

  • 知识图谱嵌入的反事实推理

    通过新任务 CFKGR，本文将知识图嵌入（KGEs）与反事实推理关联起来，通过逻辑规则从知识图推断出合理的变化，建立了相应的基准数据集，并开发了 COULDD 方法来适应假设前提。结果表明，KGEs 可以学习图中的模式，与 COULDD 相结合能够检测到沿用这些模式的合理反事实变化，但对不符合学习推理规则的变化无法识别。

    Mar, 2024

  • 基于多层交叉视图对比学习的知识感知推荐系统

    本文提出了一种新的多层交叉视角对比学习机制 MCCLK，包含三个图视角：全局结构视角、本地合作和语义视角，在语义视角中，还提出了一个 k 最近邻（kNN）项 - 项语义图构建模块，以捕捉通常被忽略的重要项 - 项语义关系，在三个基准数据集上进行了广泛的实验，结果表明了我们的方法优于现有技术。

    Apr, 2022