Jun, 2023

相关实体选择：通过零样本类比修剪引导知识图谱引导

PDF
TL;DR本文提出了一种基于类比推理的方法来构建知识图谱，该方法通过从感兴趣的种子实体开始，保留或修剪它们的相邻实体来逐步增加知识图谱，结果表明该方法在特定数据集和迁移学习中表现出较高的性能和泛化能力。
knowledge graph constructionknowledge extractionopen kganalogy-based approachtransfer learning
发现论文，激发创造
  • 模拟推理增强的知识图谱嵌入

    本研究提出了一个自监督增强的框架 AnKGE，其中包括不同层次的类比推理来增强知识图谱嵌入 (KGE) 模型，以预测缺失的关系。在知识图谱不完整的情况下，AnKGE 结合了归纳学习和类比推理的方法，在 FB15k-237 和 WN18RR 数据集上实现了竞争性结果。

    Jan, 2023

  • 利用概念感知信息在时间知识图上进行小样本归纳学习

    该研究提出了一种用于预测时间知识图谱中未出现实体链接的新方法，其中利用元学习和新构建的数据集来实现对未见实体的归纳学习，在此基础上提出了概念感知模型来提高模型比较性能。

    Nov, 2022

  • PipeNet：基于语义修剪的知识图谱问答

    通过引入显式的知识图谱可以改善问答系统，本研究提出了一种基于实体节点定位、剪枝和推理的流程以提高图推理的效率，并采用图注意力网络进行子图数据的推理。在 CommonsenseQA 和 OpenBookQA 上的实验结果证明了方法的有效性。

    Jan, 2024

  • 生成式对抗零样本关系学习用于知识图谱

    本文提出了一种零样本学习方法，利用生成对抗网络从文本描述中学习新关系的语义特征并在知识图谱中识别新关系的事实，使得知识图谱的扩展更加容易，实验结果表明这种方法可以被广泛应用于任何版本的知识图嵌入，并在 NELL 和 Wiki 数据集上实现了一致的性能提升。

    Jan, 2020

  • 知识图谱修剪用于推荐

    我们提出了一种名为 KGTrimmer 的新颖方法，用于为推荐任务修剪知识图，以去除不必要的节点并最小化性能下降，通过从群体视图和整体视图的角度设计重要性评估器和端到端的有重要性的图神经网络，生成轻量、稳定和健壮的修剪后的知识图。

    May, 2024

  • 知识图谱对比学习用于推荐

    提出了一种知识图谱对比学习的框架 (KGCL)，该框架通过知识图谱增强模式减少了噪声，利用交叉视图对比学习技术进一步抑制了噪声，实现了在稀疏、长尾和有噪声的知识图谱场景下的强大性能。

    May, 2022

  • 基于关系匿名游走导向神经过程的知识图谱少样本归纳链接预测

    本文提出了一种基于关系匿名游走引导的神经过程模型 RawNP，用于在知识图谱上进行少样本归纳链接预测，并在典型基准数据集上展示出了新的最先进性能。

    Jun, 2023

  • 用迭代零样本 LLM 触发知识图谱构建

    本文提出了一种基于生成式语言模型的知识图谱生成方法，通过迭代提示和零样本学习等策略解决了知识图谱构建中的一些核心问题，具有可扩展性和广泛适应性。

    Jul, 2023

  • GrapeQA：增广和修剪图形以加强问答

    GrapeQA 是一种基于语言模型的 Commonsense QA 方法，采用知识图谱以及图神经网络进行推理，提出了 Prominent Entities for Graph Augmentation 和 Context-Aware Node Pruning 两个简单的改进方法来解决捕捉 QA 信息和去除无关节点的问题，并在 OpenBookQA、CommonsenseQA 和 MedQA-USMLE 上展示出比 QA-GNN 更出色的结果。

    Mar, 2023

  • 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