归纳关系推理的消息互通
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
本研究提出了一种新方法 RMPI,它使用关系信息直接传递消息来充分利用子图推理中的关系模式,具有一定的归纳能力,并且可以比现有的全归纳 KGC 方法表现更好。
Oct, 2022
本研究提出了一种利用相邻子图信息来求解知识图谱中未观察实体之间关系的方法,其中利用相邻关系来强化节点特征和稀疏子图的关系,并应用互信息最大化来全局建模相邻关系,实验证明该方法在归纳式链接预测任务上明显优于现有最先进方法,并证实了全局建模相邻关系在特征建模和稀疏子图推理中的有效性。
Jul, 2022
针对归纳性知识图谱补全(KGC)的问题,我们提出了一种新颖的 iNfOmax RelAtion Network(NORAN),旨在挖掘适用于归纳性 KGC 的潜在关系模式,实验结果表明我们的框架在五个基准测试中显著优于现有的 KGC 方法。
Jun, 2024
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
该研究采用带有结构先验知识的图神经网络,提出了高效的信息传递机制来共同学习动态关系和规则,并且在模拟物理系统上的实验结果表明,所提出的方法优于现有的最先进方法。
Jan, 2021
本文提出一种名为 InGram 的机器学习方法,该方法能够在推理时生成新实体和新关系的嵌入向量,通过引入注意力机制和关系图来整合邻居节点的嵌入向量,并在多种归纳学习场景中取得了优于 14 种现有方法的效果。
May, 2023
本文提出了一种名为 GAIN 的双重图聚合和推理网络,利用异构提及级别图来建模文档中不同提及之间的复杂互动,另外构造一个实体级别图,并提出一种新的路径推理机制来推断实体之间的关系。在公共数据集 DocRED 上的实验表明,GAIN 相对于之前的最先进技术获得了显著的性能提高(F1 值提高了 2.85 个点)且代码已经公开。
Sep, 2020
本文提出了一种新颖的名为 RAILD 的关系感知归纳链接预测方法,该方法能够学习未见的实体和未见的关系的表征,并采用语言模型和图形化方法来生成特征。实验表明,RAILD 在 KG 完成任务上比现有的模型性能有了显著提高,并且还超过了我们创建的基线模型。
Nov, 2022