面向知识图谱补全的语义增强嵌入
本文综述了知识图谱完成中的当前研究状态,特别关注了知识图谱嵌入设计的两个主要分支:基于距离的方法和基于语义匹配的方法,并探讨了与最近提出的模型之间的关联及其背后的趋势,最后讨论了利用预训练语言模型和实体关系的文本描述相结合进行知识图谱完成的新方法。
Sep, 2023
该研究比较短缺实际的现有图谱的 16 种最新方法的有效性和效率,并考虑到一种基于规则的基线,提出了具有可扩展性的维度以评估嵌入 LP 方法的介绍。
Feb, 2020
在本研究中,我们探索了利用大型语言模型(LLM)来完成知识图的关键问题。通过将知识图中的三元组视为文本序列,并引入名为 Knowledge Graph LLM(KG-LLM)的创新框架来对这些三元组进行建模。我们的技术利用三元组的实体和关系描述作为提示,并利用生成的响应进行预测。在各种基准知识图上的实验证明,我们的方法在三元组分类和关系预测等任务中达到了最先进的性能水平。我们还发现,微调相对较小的模型(例如 LLaMA-7B,ChatGLM-6B)优于最新的 ChatGPT 和 GPT-4。
Aug, 2023
通过将小规模专业领域知识图谱与已建立的通用知识图谱进行关联,我们提出了一个框架来丰富领域特定知识图谱的嵌入,以应对大规模知识密集型任务中存在的挑战。实验评估表明,通过与大规模通用知识图谱的链接,采用我们的方法可以显著提升下游任务的性能,Hit@10 指标的提升可达 44%。这一相对未经探索的研究方向可以促使知识图谱在知识密集型任务中更频繁地应用,从而得到更强大、可靠且不那么虚幻的机器学习实现。
May, 2024
本文通过实证研究发现,大型语言模型在电商知识图谱中的关系标注任务中具有强大的学习能力和预测能力,相比于现有的知识图谱补全模型在关系标注任务上具有更高的竞争力,足以替代人工标注。
May, 2023
MPIKGC 是一个通用框架,利用大型语言模型从不同的角度查询以补偿环境化知识的不足,改进了基于描述的知识图补全方法,扩展了实体描述,理解关系,并提取结构,通过四种基于描述的知识图补全模型和四个数据集进行了广泛评估,适用于链接预测和三元组分类任务。
Mar, 2024
本研究调查了大型语言模型(LLMs)与知识图谱(KGs)之间的协同关系,旨在探讨 KG 问答、本体生成、KG 验证以及通过 LLMs 提高 KG 准确性和一致性等领域的研究空白。该论文还检验了 LLMs 在生成描述性文本和自然语言查询方面的作用,并通过分类 LLM-KG 交互、研究方法论和合作使用以及潜在偏见等结构化分析,提供了它们的结合潜力的新见解。该研究强调了它们的交互对于提升人工智能应用的重要性,并概述了未来的研究方向。
Jun, 2024
本文提出了使用知识图谱和大型语言模型的三种框架,分别为增强了的知识图谱、增强了的大型语言模型和协同增强。这三个框架能够互相协作,实现双向推理,提高自然语言处理和人工智能的表现,同时指出未来的研究方向。
Jun, 2023
本文介绍了基于嵌入式知识图谱网络的知识库完成方法,通过使用端到端反向传播训练,可以将大型知识库压缩成优化的版本,并在知识库完成基准测试中取得了最新的最佳结果。
Nov, 2016