Jun, 2023

按能力而非得到的结果行事：基于拓扑结构的多模态知识图谱多跳推理

PDF
TL;DR本文提出了一种拓扑感知的、适用于归纳和推理环境下的多模态知识图谱推理方法 TMR，该方法主要由任务感知归纳表示和关系增强自适应强化学习两个组件构成，并在不同规模的归纳推理数据集上进行了评估。实验表明，TMR 在归纳和推理环境下均优于现有的多模态知识图谱推理方法。
发现论文，激发创造
  • MMKGR: 多跳多模态知识图谱推理

    本研究提出了一种名为 MMKGR 的新型模型，其中包含一种统一的门 - 关注网络和一种补充特征感知的强化学习方法，通过有效的多模态补充特征和多次迭代推理，能够更好地实现知识图谱方面的任务，与现有方法相比推理性能更好。

    Sep, 2022

  • 基于多跳关系推理实现可扩展的知识感知问答

    本论文提出了一种新颖的知识感知方法，将预训练语言模型与多跳关系推理模块相结合，对外部知识图谱子图进行多跳关系推理。该方法统一了基于路径的推理方法和图神经网络，提高了可解释性和可伸缩性，并在常识问答和开放式书面问答数据集上证明了其有效性和可伸缩性，并通过案例研究进行了解释。

    May, 2020

  • 多模态知识图谱下的多模态推理

    提出了一种利用多模态知识图 (MMKGs) 进行多模态推理的方法 (MR-MKG)，通过利用多模态知识图 (MMKGs) 跨模态地学习丰富的语义知识，显著提高了大型语言模型 (LLMs) 在多模态推理中的能力。通过在仅使用 LLM 参数的 2.25% 进行训练，MR-MKG 在多模态问答和多模态类比推理任务上取得了优越的性能，胜过了之前的最新模型。

    Jun, 2024

  • 适配元知识图谱信息以进行少样本关系的多跳推理

    本文提出了一种元学习式的多跳知识图谱（KG）推理方法（Meta-KGR），适用于少样本关系中的查询回答（QA）任务，通过学习适应于不同关系的元参数，提高模型的推理能力，实验表明，在 Freebase 和 NELL 数据集上，Meta-KGR 在少样本场景下优于现有技术方法。

    Aug, 2019

  • GMH: 通用多跳推理模型用于知识图谱填充

    本文提出了一个基于多跳推理的知识图谱通用框架，其中包含本地全局知识模块以估计可能的路径，不同的操作丢失模块以探索各种路径，自适应停止搜索模块以避免过度搜索，并将其应用于自然语言处理。实验结果表明，该模型能够在短距和长距推理场景中显著地改善性能。

    Oct, 2020

  • 高效并行多跳推理：知识图分析的可扩展方法

    这篇论文重点关注如何优化多跳推理（MHR）的时间效率，提出了一种新的并行算法来快速识别知识图谱中顶点之间的前 K 个路径，从而有效地回答三跳查询，并通过实证结果展示了该算法的卓越性能。

    Jun, 2024

  • Commonsense 知识图谱上的多跳推理语言生成

    本文提出了一种利用常识知识图谱，将结构信息和语义信息结合到推理中，提高语言模型在生成任务中处理常识知识的准确性。通过动态多跳推理模块，本文建立了 Generation with Multi-Hop Reasoning Flow (GRF) 模型，实验表明该模型在三个包含常识知识推理的生成任务中的表现优于现有基线模型。

    Sep, 2020

  • 基于奖励塑形的多跳知识图谱推理

    文中提出了两个方法来解决不完整知识图谱上的多跳推理查询回答中存在的问题，其一是使用预训练的一跳嵌入模型来估算未观察到事实的奖励，其二是使用随机生成的边缘掩码来强制代理探索不同的路径，该方法在多个基准数据集上明显优于现有的基于路径的 KGQA 模型，并且与基于嵌入的模型相当甚至更好。

    Aug, 2018

  • 通过奖励塑造技术增强多跳知识图推理

    利用强化学习和 BERT 嵌入来改进多跳知识图谱推理的方法，以提高知识图谱推理的准确性和鲁棒性。

    Mar, 2024

  • 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