Feb, 2023

基于元学习的时态知识图谱推理

PDF
TL;DR本文介绍了一种基于元学习的时间知识图谱外推模型（MTKGE），该模型在已知时间知识图谱中进行链接预测任务的元训练，并在具有未知实体和关系的新兴时间知识图谱中进行测试。通过捕获关系的相对位置模式和时间序列模式的 GNN 框架，学习模式的嵌入可以转移到未知组件。实验结果表明 MTKGE 模型在两个不同的时间知识图谱外推数据集上均优于现有的知识图谱外推和特定自适应 KGE 和 TKGE 基线的最新模型。
knowledge graphtemporal kgstkgemeta-learninggnn
发现论文，激发创造
  • 基于元学习的联邦设置下知识图谱知识外推

    本研究探讨在联邦环境下，如何应对新出现的知识图谱中包含的新组件（实体和关系），并提出了一种基于元学习的图神经网络框架，可以根据结构信息构建未见过的组件特征，并嵌入这些组件。实验结果表明，我们的方法可以有效地嵌入未见过的组件，并胜过考虑 KG 归纳设置和直接使用传统 KG 嵌入方法的基线模型。

    May, 2022

  • 消除时间知识图谱的关系感知时间表示学习

    Re-Temp 是一种新的模型，旨在通过引入显式的时间嵌入和在每个时间戳之后引入跳过信息流来从未来的事实中预测缺失实体，并通过两阶段的前向传播方法防止信息泄漏，通过对六个 TKGC (外推) 数据集的评估，我们证明了我们的模型在性能上优于八个最新的先进模型。

    Oct, 2023

  • MetaTKG：学习演化元知识以进行时间知识图推理

    本研究提出了一种基于时间元学习的框架 MetaTKG，旨在解决预测时序知识图谱中具有不同演化模式的数据的挑战，并通过元学习来指导模型适应未来数据和处理历史信息不足的实体，实验结果表明，该方法能够大大提高性能。

    Feb, 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

  • 学习时态知识图谱推理的多图结构

    提出一种创新的推理方法，重点关注时间知识图推理中的多图结构学习，以捕捉并发结构和演化交互，并融入时间语义来约束事件并缩小预测范围。

    Dec, 2023

  • 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

  • 学习一次关系的元表示，用于时态知识图谱链接预测

    本文提出一种针对时间知识图谱的 few-shot learning 模型，通过时间关系建模，实现了在单样本情况下，对时间知识图谱进行关系预测

    May, 2022

  • 基于几何代数嵌入的静态和时态知识图完成

    本论文使用几何代数和张量分解提出了一种新的知识图谱表示学习方法 GeomE 和 TGeomE，用于解决深度学习中的时序数据问题。结果表明，该方法在四个常用的静态 KG 数据集和四个知名的时间 KG 数据集上实现了最先进的性能。

    Feb, 2022

  • 归纳知识图谱嵌入的元知识迁移

    本文提出一种名为 MorsE 的模型，该模型不学习实体的嵌入，而是学习可转移的元知识，以生成实体的嵌入，这种元知识由实体独立模块建模并通过元学习进行学习，在归纳设置下，该模型可以显着优于相应的基线模型，适用于知识图谱的内部和外部任务。

    Oct, 2021

  • GenTKG：时序知识图谱上的生成预测

    我们提出了一个新颖的检索增强生成框架 GenTKG，结合了时间逻辑规则检索策略和轻量级参数效率指导，用于在时间知识图上进行生成性预测，证实了大语言模型在时间知识图领域具有巨大潜力，并开辟了时间知识图生成性预测的新领域。

    Oct, 2023