May, 2023

基于 $K^2$- 树的分层图生成

PDF
TL;DR本文提出了一种使用 K²-tree 表示生成图表的新方法，并通过引入分级结构和去枝、展开及分词过程的顺序 K²-tree 表示以及使用专用树位置编码方案的 Transformer 架构来进一步完善。在四个常规图形和两个分子图形的数据集上进行广泛评估后，证实了我们的算法在图形生成方面的优越性。
graph generationk²-tree representationhierarchical structurepruningtransformer-based architecture
发现论文，激发创造
  • 使用图形 transformer 从知识图谱生成文本

    本文介绍了一种新型图形转换编码器，可处理知识图谱等非层次性图形的内容，应用于科学文本领域的图 - 文本生成，评价结果表明，该技术可以产生比竞争的编码解码方法更具信息量且结构更好的文本。

    Apr, 2019

  • 应用于语义解析和数学问题的图到树神经网络学习结构化输入输出翻译

    本文提出一种新的图到树神经网络模型 (Graph2Tree)，该模型包含一个图编码器和一个分层树解码器，能够对图结构的输入进行编码和树结构的输出进行解码，用于解决神经语义解析和数学问题求解，实验证明该模型在这些任务上表现优异。

    Apr, 2020

  • 从区分到生成：基于生成式 Transformer 的知识图谱补全

    本论文提出 GenKGC 方法，运用预训练语言模型将知识图谱补全转化为序列生成任务，结合关系引导演示和实体感知分层解码以实现更好的表示学习和更快的推理，并在三个数据集上进行实验，结果表明该方法比基线更优或具有可比较的性能，与预训练语言模型先前的方法相比，具有更快的推理速度。此外，我们还发布了一个新的大规模中文知识图谱数据集 AliopenKG500 供研究使用。

    Feb, 2022

  • 分层图到图分子翻译

    本文重点研究了药物发现方面的自动优化工具，并且提出了一种基于图像及其翻译方法的分子优化技术，利用其原子级编码和自回归图形解码器解决分子结构中的多个技术挑战。同时，我们的模型在多项任务中显著优于现有的基准模型。

    Jun, 2019

  • 使用分层距离捕获多级图结构的变压器

    本文提出了一种层次距离结构编码（HDSE）方法，用于加强现有图变换器，同时应用于其他位置表示，通过在图中的节点之间建模层次距离来捕捉图的多层次、分层结构，通过在 12 个真实世界数据集上的实验证明，我们的 HDSE 方法成功地提升了各种类型的基准变换器，在 10 个基准数据集上获得了最先进的实证性能。

    Aug, 2023

  • 生成式知识图谱构建：一份综述

    本研究总结了生成式知识图谱构建的最新进展，包括方法的优势和弱点，并提出未来的研究方向。研究的贡献包括提出了详细的方法分类，以及理论和实证分析，同时提出了未来的研究方向。

    Oct, 2022

  • Tree-Transformer: 一种基于 Transformer 的树形数据纠错方法

    本文提出 Tree-Transformer 神经网络架构，可用于树状结构数据的矫正任务，并在源代码和自然语言两个领域中分别取得了 25% 和 10% 的改进。

    Aug, 2019

  • 一种简单而有效的图分类方法

    通过将图数据样本转换为编码树以及使用分层传递机制，提出了一种树内核和卷积网络来实现图分类，其时间复杂度低于其他图神经网络，同时验证表明其在性能和计算资源方面均优于其他方法。

    Jun, 2022

  • 对话系统中基于知识图谱的自然语言生成

    使用知识图谱增强对话代理的准确性和全面性，但在对话时生成文本仍被认为是一项具有挑战性的任务，本文回顾了知识图谱文本生成的不同架构，包括图神经网络、图变换器和序列到序列模型，选择使用序列到序列变压器模型（PLMs）作为知识图谱到文本生成任务的模型，并探索未来多语言维度的研究方向。

    Jul, 2023

  • 知识扁平化：一种 Seq2Seq 生成框架用于不同知识图谱补全

    该论文提出了 KG-S2S，这是一个 Seq2Seq 生成框架，可以通过将 KG 事实的表示统一到 “平坦” 的文本中来应对不同的可言述的图形结构，实验表明在五个基准测试中，KG-S2S 胜过了许多竞争性的基线，从而设置了新的最先进性能。

    Sep, 2022