检查标签：带有前 k 预测集的标签图网络用于关系提取
通过在大型语言模型中提取利用结构化真实世界知识的相关信息，我们提出了一种新的任务，即极端多标签知识图链接预测任务，以便模型可以使用多个响应来执行推断，从而解决了大型语言模型在开放式查询中的外推问题。
May, 2024
研究了如何利用距离监督关系抽取方法，基于知识图谱嵌入和图卷积网络，精确学习长尾分布中少见的关系类型，通过知识感知机制实现对数据贫乏类别的性能增强。该方法在大规模基准数据集上的实验中表现出优于其他基线方法的明显优势，特别是对于长尾分布的关系。
Mar, 2019
通过构建邻接矩阵及应用 GCN 模型对标签进行建模，从而解决多标签文本分类中标签的序列乱序问题，并利用集合预测网络同时使用句子信息和标签信息进行分类。此外，使用巴氏距离对输出概率分布进行约束，提高了召回能力。实验证明，该方法在多个数据集上表现优异，胜过之前的方法。
Apr, 2023
本文通过实证研究发现，大型语言模型在电商知识图谱中的关系标注任务中具有强大的学习能力和预测能力，相比于现有的知识图谱补全模型在关系标注任务上具有更高的竞争力，足以替代人工标注。
May, 2023
本研究提出了一种基于异构标签图的模型（HLG），以捕捉标签之间的依赖关系和关联关系，并利用这些关系来提高多重意图检测和位置填充任务的性能。我们还提出了标签感知的相互依赖解码机制，以进一步利用标签之间的关联关系来解码。实验结果表明，我们的 ReLa-Net 模型在 MixATIS 数据集上的整体准确性比以前的最佳模型高出 20％以上。
Oct, 2022
通过关系超图进行链接预测的研究，提出了两种框架，并通过相应的关系 Weisfeiler-Leman 算法和一些自然逻辑形式主义的广泛实证分析，证明了所提模型架构的表达能力。在各种关系超图基准测试中，所得到的模型架构明显优于每个基线模型，对于归纳链接预测具有领先水平的结果，从而开启了图神经网络在完全关系结构中的应用。
Feb, 2024
该研究提出了一种统一的关系学习框架（GRL），该框架可以插入现有的链接预测模型中，能够增强现有的链接预测模型，使其对于不平衡的关系分布和学习未见关系具有不敏感性，并能够联接语义相似的关系。
Dec, 2020