GE-Blender: Blender 的基于图的知识增强

Jan, 2023

GE-Blender: Blender 的基于图的知识增强

GE-Blender: Graph-Based Knowledge Enhancement for Blender

Xiaolei Lian, Xunzhu Tang, Yue Wang

TL;DR本研究提出了一种基于图形的方法，利用实体节点和命名实体标签预测来加强上下文中未见实体的表示，以解决在对话生成中未见实体的逻辑解释问题，并通过实验表明该方法在开放数据集 Wizard of Wikipedia 上优于现有方法。

Abstract

Although the great success of open-domain dialogue generation, unseen entities can have a large impact on the dialogue generation task. It leads to performance degradation of the model in the dialog generation. P

dialogue generation unseen entities graph-based approach entity nodes named entity tag prediction

发现论文，激发创造

知识增强微调：更好地处理对话生成中的未知实体

本篇论文提出了通过外部知识库训练对话系统，解决无法预测未知实体的问题，具有良好的实验效果。

Sep, 2021

一个主题感知的图神经网络模型用于知识库更新

基于用户查询日志，构造主题感知的图网络进行知识更新，通过实体属性图训练 GNN 实体更新模型以确定实体是否需要同步，并使用最小编辑次数算法将过滤的实体与知识库中的实体进行匹配和更新。

Aug, 2022

知识图谱嵌入如何外推到未见数据：语义证据视角

研究知识图谱嵌入在未知数据上的外推能力和建立更好外推能力的方法，通过三个不同层次的语义证据，提出了 Semantic Evidence aware Graph Neural Network (SE-GNN) 模型，达到了知识图谱完成任务的最佳表现并具有更好的外推能力。

Sep, 2021

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

通过动态图知识聚合增强对话生成

本研究提出了一种基于知识图增强的对话生成框架，使用层级图注意力来聚合伪节点上的图特征，并填补文本和图知识之间的语义差距，并促使语言模型更好地选择知识三元组以获得更丰富的响应。

Jun, 2023

面向未见元素的泛化：知识图谱知识外推综述

本文提出知识外推的概念，对知识图谱嵌入方法分类并详细总结及比较，探讨其在处理未知实体和关系方面的挑战，并提出未来的研究方向。

Feb, 2023

开放知识图谱推理的协作策略学习

本文提出了一种利用强化学习框架开发的面向缺失事实的多跳图推理和事实提取代理的协同训练方法，以预测知识图谱中缺失的事实，从而提升可解释性推理的效果。

Aug, 2019

基于知识图谱的神经网络在自然语言处理中的应用

提出了一种增强学习模型的方案，即通过知识图谱的事实三元组来为自然语言处理任务提供上下文知识，并采用基于卷积的模型来减少关注空间，从而大大提高了文本分类和自然语言推理任务的性能。

Feb, 2018

知识图谱中的归纳逻辑查询回答

研究使用图神经网络的归纳节点和关系结构表征方法对知识图谱中的新实体进行逻辑推理的方法，并实验发现归纳模型能够在推理时间内对未见节点进行推理，同时可以推广至训练天数 500％大的图表，表现出较高效率和效果平衡的特点。

Oct, 2022

利用知识图谱增强神经机器翻译

本文研究证明，通过在神经网络中嵌入知识图谱可以提高实体和专有名词的翻译效果，并提出了两种方法以增强神经模型的语义特征提取和对数据稀缺性和词汇表外的单词的挑战进行了探讨，结果表明，KG-NMT 模型取得了很好的效果。

Feb, 2019