Apr, 2023

基于分层变压器的关系路径和上下文感知归纳关系预测

PDF
TL;DR本文提出了一种名为 REPORT 的新方法，利用 Transform 器框架同时聚合关系路径和上下文，能够自然地推广到完全归纳设置，实验表明 REPORT 在两个完全归纳数据集的八个版本子集中表现比所有基线方法都要好，同时提供可解释性的预测结果。
relation predictionknowledge graphsinductive reasoningrelational pathstransformer framework
发现论文，激发创造
  • 多方面可解释的句子 Transformer 归纳关系预测

    本文介绍了关系路径覆盖和关系路径置信度的概念，以在模型训练之前过滤出不可靠的路径，提升模型性能，并提出了知识推理句子变换器（KRST）来预测 KG 中的归纳关系。我们在三个真实世界数据集上进行了广泛的实验，实验结果表明，与 SOTA 模型相比，KRST 在大多数传导和归纳测试用例（6 个中的 4 个）和 12 个 few-shot 测试用例中的 11 个中实现了最佳性能。

    Jan, 2023

  • BERT 的归纳关系预测

    本文提出了一种名为 BERTRL 的解决方案，该方案使用预训练语言模型和 fine-tuning，通过将关系实例及其可能的推理路径作为训练样本，支持归纳学习并在 15 个应用中超越现有技术。

    Mar, 2021

  • 基于子图推理的归纳关系预测

    提出了一种基于图神经网络的关系预测框架 GraIL，该框架可以推理本地子图结构并具有强的归纳偏差来学习独立于实体的关系语义。与基于嵌入的模型不同，GraIL 是自然归纳的，并且可以在训练后推广到未看到的实体和图形。在归纳设置中，GraIL 优于现有的规则归纳基线。

    Nov, 2019

  • 利用关系路径的混合语义进行知识图谱上的多跳问答

    本文提出了一种利用关系路径的混合语义来改善多跳知识图谱问答（KGQA）的方法，以较大程度的解决理解复杂问题的问题，通过实验证明该方法在多跳场景下的优越性。

    Sep, 2022

  • 拓展转导式知识图嵌入模型用于归纳逻辑关系推理

    该研究介绍了一种广义的谐波扩展技术，通过利用传统的跨领域知识图嵌入方法学习的表示，推断引入的新实体在推理时的表示，并扩展了跨领域知识图嵌入方法的功能，可以用于知识图的补全和逻辑查询。

    Sep, 2023

  • 知识库表示学习的关系路径建模

    本文提出了一种基于路径的知识库表示学习模型，将多步关系路径作为实体之间表示学习的翻译，利用路径约束资源分配算法度量路径可靠性，并通过关系嵌入的语义组合来表示关系路径；实证研究结果表明，与基线方法相比，我们的模型在知识库完成和文本关系提取方面取得了显著且一致的改进。

    Jun, 2015

  • 知识图谱中基于拓扑感知的关系间归纳连接预测相关性

    该论文提出了一种新的归纳推理方法 TACT，可以有效地利用关系之间的拓扑感知相关性，以预测缺失的链接，相比现有的方法，表现得更好。

    Mar, 2021

  • 基于关系的嵌入传递方法在知识表示学习中的简单有效应用

    提出一种名为 REP 的方法，该方法是一种后处理技术，可用于以前训练的知识图嵌入与图形上下文相适应。REP 具有显着的可扩展性，在改善或维持预测质量的同时平均带来相对 10％的提高，并需要 5％-83％的时间才能达到与最先进 GC-OTE 相当的结果。

    May, 2022

  • 知识图谱中归纳关系预测的锚定路径

    关于使用锚定路径来提高关系预测的方法的研究，通过引入锚定路径减轻了闭合路径的依赖性，实现了全面的预测和高质量的解释。

    Dec, 2023

  • 知识图谱推理的循环单跳预测

    本文介绍了一种基于循环神经网络和实体和关系向量表示的 ROPs 方法，可以有效地预测由多跳知识库路径组成的知识图谱中的实体。该方法能够建模任意长度的多跳路径，并以训练信号为每一步更新实体和关系的表示，从而解决了知识库补全和路径查询答案等关键任务的问题。

    Jun, 2018