SIGIRApr, 2023

NeuralKG-ind：Python 库，用于归纳知识图表示学习

PDF
TL;DR该研究论文介绍了针对新实体预测的归纳知识图谱表示学习 (Inductive KGRL) 方法，在此基础上推出更新版的 NeuralKG-ind 库，其中包括标准化处理、丰富的现有方法、分离模块和全面的评估指标，使研究人员和工程师能够轻松地再现、重新开发和比较归纳 KGRL 方法。
发现论文，激发创造
  • NeuralKG: 一个用于多元化知识图谱表示学习的开源库

    NeuralKG 是一个开源的 Python 库，用于知识图谱的多样化表征学习，实现了三种不同系列的知识图嵌入方法，包括传统的 KGE、基于图神经网络的 KGE 和基于规则的 KGE，通过实验在基准数据集上成功重现这些方法的链接预测结果，并提供了高度可配置的模块，方便用户自定义设计模型，优化训练方法。

    Feb, 2022

  • 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

  • LambdaKG：一种基于预训练语言模型的知识图谱嵌入库

    本文介绍了 LambdaKG，一个使用多个预训练语言模型（如 BERT，BART，T5 和 GPT-3）为基础的 KGE 库，为知识图谱完成、问题回答、推荐和知识探测等提供支持，已在公共开源平台上发布，并具有长期维护。

    Oct, 2022

  • 通过链接预测从文本中归纳实体表征

    本文通过一个综合评估协议，探讨了使用预测链接的实体表示学习，并考虑了线性预测和实体分类任务以及针对面向实体的搜索的信息检索任务，通过一个预训练的语言模型体系结构，证明这些学习的表示不仅适用于 KG 特定任务，还具有比之前的方法更强的泛化性能，同时也在其他任务方面表现出色。

    Oct, 2020

  • KGNN：面向图神经知识表示的分布式框架

    KGNN 框架采用 GNN 编码器和知识感知解码器，旨在以细粒度的方式共同探索高阶结构和属性信息，同时在知识图谱中保留关系模式，并在链接预测和三元组分类任务上展示了其有效性和可扩展性。

    May, 2022

  • 基于知识图谱的归纳链接预测公开挑战赛

    本研究提出了 ILPC 2022 数据集挑战赛，旨在为评估归纳表示学习方法提供基准测试，从而使社区在归纳图表示学习领域中进行协同努力.

    Mar, 2022

  • 分散式知識圖譜表示學習

    本文提出了一种去中心化的知识图谱表示学习方法，针对只提供实体关系信息但没有输入特征的情况，通过从实体邻居的嵌入编码实体并设计算法进行知识蒸馏来优化，在实体对齐任务上表现得更好，并在归纳设置下在实体对齐和实体预测任务上优于所有对照实验.

    Oct, 2020

  • 利用图神经网络估计知识图谱中节点的重要性

    本文提出一种名为 GENI 的基于图神经网络的方法，聚合节点的重要性得分来预测知识图谱中节点的重要性，该方法在预测真实世界中各种特性的知识图谱中节点的重要性方面，比现有最先进方法的 NDCG@100 高出 5-17%。

    May, 2019

  • Pykg2vec: 一个用于知识图谱嵌入的 Python 库

    Pykg2vec 是专门用于学习知识图谱中实体和关系的表示的开源 Python 库，采用灵活、模块化的软件架构，实现了 16 种最先进的知识图嵌入算法，并且易于集成新算法。它基于 TensorFlow 和 Python 的多进程框架构建，在批生成、贝叶斯超参数优化、均值排名评估、嵌入和结果可视化方面提供了各种模块。

    Jun, 2019

  • TorchKGE: Python 和 PyTorch 中的知识图谱嵌入

    TorchKGE 是一个基于 PyTorch 的知识图谱嵌入 Python 模块。它的主要特点是快速的链接预测任务的评估模块，以及各种各样的嵌入模型，具有代码高效性和清晰性，按照 BSD 许可证进行分发。

    Sep, 2020