基于嵌入式知识图谱补全的度偏置研究
本文探讨了知识图谱中的社会偏见和文化偏见,特别是在节点流行度与链接预测精度之间的负相关关系以及从知识图嵌入中预测人的性别并提出了过滤对抗网络(FAN)来消除这些敏感属性信息从而使知识图谱达到去偏见的目的。
Jun, 2020
本文综述了知识图谱完成中的当前研究状态,特别关注了知识图谱嵌入设计的两个主要分支:基于距离的方法和基于语义匹配的方法,并探讨了与最近提出的模型之间的关联及其背后的趋势,最后讨论了利用预训练语言模型和实体关系的文本描述相结合进行知识图谱完成的新方法。
Sep, 2023
本文提出了一种基于数值偏差度量的方法,用于识别和暴露知识图谱嵌入中存在的偏见,并在职业预测任务中展示了三种不同的偏见度量,从而弥补了目前文献中手动指定偏差关系的缺陷,以支持更明智的决策。
Sep, 2021
本文提出了一种轻量级模块化知识图谱完成 (GreenKGC) 方案,该方案包含三个模块:表示学习、特征修剪和决策学习,旨在解决在获得更好推理能力的同时保持较小的模型大小。实验结果表明,GreenKGC 可以在较小的模型尺寸下达到与高维嵌入方法相当甚至更好的性能,并且可以推广到更多任务中。
Aug, 2022
知识图谱嵌入(Knowledge graph embedding,KGE)通过将知识图谱(knowledge graph,KG)中的实体和关系表示为连续向量空间,可以用于预测缺失的三元组,实现知识图谱补全。然而,KGE 模型通常只能简要地学习三元组数据的结构关联,并且在真实世界的知识图谱中会被无关的模式和噪声链接误导。为了解决这个问题,我们在因果关系和嵌入解缠方面构建了一种新的 KGE 范式。我们进一步提出了一种因果增强的知识图谱嵌入(CausE)框架。CausE 应用因果干预来估计混杂嵌入的因果效应,并设计了新的训练目标来进行稳定的预测。实验结果表明,CausE 能够胜过基线模型,实现最先进的知识图谱补全性能。我们在指定的 URL 中发布了我们的代码。
Jul, 2023
基于嵌入式知识图谱(KG)完成已经引起了人们的广泛关注,通过生成 KG 嵌入,讨论了不同类型的 KG 完成算法,包括链路预测、实体类型预测算法以及利用 KG 和大型语言模型(LLM)的算法,最后讨论了不同描述逻辑公理所表达的语义,并提出了对当前工作的批判性反思和未来方向的建议。
Jul, 2023
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
本文提出了一种新的方法,通过迭代学习来注入规则并学习表示以充分利用规则和嵌入,取得了高效性和可扩展性的良好平衡,并通过两个公共数据集的评估,优于当前最先进方法,提高了均值倒数排名(MRR)2.7%和 4.3%。
Jan, 2023