我们提出了一种改进基于语言模型的知识图谱补全方法,通过包含节点邻域作为附加信息,提高了预测效果,并且在多种评估数据集上优于传统方法和基于语言模型的 KGC 方法。我们还对邻域对模型预测的影响进行了详细分析,并指出了通过更有效的邻域选择来显著改进 KGC 的方向。
Nov, 2023
MPIKGC 是一个通用框架,利用大型语言模型从不同的角度查询以补偿环境化知识的不足,改进了基于描述的知识图补全方法,扩展了实体描述,理解关系,并提取结构,通过四种基于描述的知识图补全模型和四个数据集进行了广泛评估,适用于链接预测和三元组分类任务。
Mar, 2024
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
本文介绍了一种名为 ConMask 的开放世界的知识图谱补全模型,该模型可以学习实体名称和其文本描述的嵌入以将未见过的实体连接到知识图谱中,并通过使用基于关系的内容掩蔽提取相关摘要以训练完全卷积神经网络来融合数据。实验证明,ConMask 在开放世界的知识图谱补全任务中表现良好,并且在标准的闭式世界知识图谱补全任务上甚至优于现有的补全模型。
Nov, 2017
本篇研究通过探索评分函数和损失函数的设计,发现相比于复杂的图神经网络,简单的多层感知器 (MLP) 模型能够实现与之相似的性能表现,在知识图谱补全 (KGC) 方面不一定需要高度复杂的聚合方式。
May, 2022
该研究论文介绍了知识图谱在信息抽取方法中的应用,探讨了表示学习和图神经网络在知识图谱完成中的作用,以及如何利用知识图谱在下游任务中预测缺失的链接。
该研究提出一种基于信息检索和阅读理解的知识图谱自动完成模型,在实验中发现该模型可以很好地解决无法从现有知识中推断的关系,并在多个知识图谱自动完成数据集上取得良好结果。
Oct, 2022
本研究首次总结了时间知识图补全方法的研究进展,包括背景、基准数据集、评估指标以及现有方法,旨在解决静态知识图补全方法的不准确问题。未来的研究方向也在文章中提出。
Jan, 2022
本文提出了一种称为实体邻居的新型附加信息,并使用深度记忆网络模型编码邻居信息。通过引入门控机制,结构和邻居的表征被整合成一个联合表征,实现了知识图谱嵌入(KGE)技术中实体表示的最新技术性能。
Aug, 2018
本文提出了通过预训练语言模型和 k 近邻的知识图谱嵌入新方法 kNN-KGE,使得 rare 或 emerging entities 更容易被显式地存储,而非隐式存在于模型参数中,实验证明该方法可提高归纳式和传导式链接预测结果,并在只有很少的三元组的低资源情况下获得更好的性能。