通过人工智能与人类的合作，我们设计了一个名为 KG-HAIT 的系统，利用人类对知识图谱的洞察力来改进知识图谱嵌入模型，通过动态规划生成捕捉子图结构特征和语义相似性的人类洞察特征向量，并将其整合到知识图谱嵌入模型的训练中，取得了显著的性能提升和模型收敛加速，强调了人工智能与人类在知识图谱上的合作的重要性。

May, 2024

本文提出了一种适用于 GNN 节点和图分类的自动套路解释方法 GCExplainer，通过将人放入循环中，实现了对 GNN 的全局解释，实验表明该方法较 GNNExplainer 具有更高质量的概念表示和提供了更深刻的数据集和模型分析。

Jul, 2021

本文介绍了基于嵌入式知识图谱网络的知识库完成方法，通过使用端到端反向传播训练，可以将大型知识库压缩成优化的版本，并在知识库完成基准测试中取得了最新的最佳结果。

Nov, 2016

我们将作者识别问题视为知识图谱的构建和精细化问题，并通过学习概率逻辑模型从人类指导中学习关系回归树，以可解释规则输出。人类知识以一阶子句的形式注入以精炼树，且我们在七个作者领域定量和定性地展示了人类知识的实用性。

Sep, 2023

在个性化教育时代，为学习推荐提供易于理解的解释对增强学习者的理解和参与推荐的学习内容具有巨大价值。本文提出了一种利用知识图谱作为意见引擎源的方法，以减小语言模型模型的错误生成的风险，并确保高精度地满足学习者的意图，同时保持有关应用的学习上下文。我们利用知识图谱中的语义关系提供关于学习推荐的精心策划的知识。通过将领域专家纳入研究的提示工程阶段，设计解释模板，由语言模型进行填充和完成来确保解释包含与学习者相关的信息。我们定量评估了我们的方法使用 Rouge-N 和 Rouge-L 指标，并进行了与专家和学习者的质性评估。我们的结果表明，与仅由 GPT 模型生成的解释相比，生成的解释具有更高的召回率和准确度，并且极大地降低了最终学习解释中生成不准确信息的风险。

Mar, 2024

使用 GPT-3 驅動的人機交互式 Schema induction 系統，能夠更輕鬆地在新領域中識別模式，並減少人工監管的負擔，從而生成更好的圖形表示。

Feb, 2023

通过将知识图谱嵌入的数据驱动能力与领域专家或包含 OWL2 的蕴涵方案等领域特定推理松散地耦合，我们不仅能够提高预测精度，而且还允许用户插入自己的知识图谱嵌入和推理方法。我们的初步结果表明，我们的方法将基准知识图嵌入的平均倒数排名（MRR）精度提高了最高 3 倍，并且超过了将知识图嵌入与规则挖掘和推理相结合的混合解决方案高达 3.5 倍 MRR。

Feb, 2022

通过使用众包反馈通过视频游戏收集到的信息，GAME-KG 框架显示出是一种增强知识图谱的有效方法，同时为人类提供由其验证的可解释的结构化事实。

Apr, 2024

该研究提出了一种用于在长时间内不断学习机器人环境并增量式更新其内部知识图谱表示的架构，采用知识图谱嵌入技术对获取的信息进行泛化，通过一系列增量学习会话来评估机器人从未知上下文中学习实体和关系的能力。

Jan, 2023

本文介绍了一种基于连续学习方法的增量知识图嵌入技术，弥补了现有嵌入技术只能处理先前已知概念的局限性，并提供了一些在知识图嵌入技术和机器人应用之间进行权衡的洞见。

Jan, 2021