Aug, 2023

简单规则注入用于 ComplEx 嵌入

PDF
TL;DR本文介绍了一种名为 InjEx 的机制，通过简单限制来注入多种类型的规则，以将可解释的先验知识融入嵌入空间，实验结果表明 InjEx 在知识图谱补全和少样本知识图谱补全设置中优于基准模型和专门的少样本模型，并且保持了可扩展性和效率。
neural knowledge graph inferencelogic rulesknowledge graph embeddingsinjexinterpretable prior knowledge
发现论文，激发创造
  • 通过联合建模知识图谱和软规则进行知识推理

    本文提出了一种新的方法，通过迭代学习来注入规则并学习表示以充分利用规则和嵌入，取得了高效性和可扩展性的良好平衡，并通过两个公共数据集的评估，优于当前最先进方法，提高了均值倒数排名（MRR）2.7％和 4.3％。

    Jan, 2023

  • 基于规则导向的知识图谱组合表示学习

    本文提出了一种基于规则和路径的联合嵌入（RPJE）方案，利用逻辑规则的可解释性和准确性、KG 嵌入的泛化性以及路径的补充语义结构。实验结果表明，RPJE 在 KG 完成任务上优于其他最先进的基线，这也证明了利用逻辑规则和路径提高表示学习的准确性和可解释性的优越性。

    Nov, 2019

  • 知识图谱规则引导的联合嵌入学习

    本研究论文介绍了一种新颖的模型，将知识图谱中的实体和关系编码为低维向量空间，并将上下文信息和字面信息融入到实体和关系嵌入中，使用图卷积网络进行建模，通过置信度和相关性度量评估上下文信息的重要性，并通过字面信息的表示来计算相关性度量。我们在两个常用基准数据集上进行了全面的实验证实以验证模型的性能。

    Dec, 2023

  • 神经符号知识图谱补全的简化规则增强

    通过对规则集进行三种简单的扩充，并剪枝低质量规则，实验结果表明这些简单的扩充方法能够持续改善结果，使得使用扩充规则的模型在 MRR 上获得高达 7.1 百分点的增益，并在 Hits@1 上获得 8.5 百分点的增益。

    Jul, 2024

  • 通过神经符号人工智能将规则和嵌入结合起来用于知识库完成

    通过提出两种不同的基于规则的 KBC 方法，并结合神经符号 AI，继承了布尔逻辑到实值逻辑，本文提出的模型实现了最佳的 KBC 精度，并通过将规则 - based KBC 与图嵌入相结合来解决关系路径的不均匀性。

    Sep, 2021

  • 逻辑规则支持的知识图谱嵌入

    该论文提出了一种新的逻辑规则增强的知识图谱嵌入方法，可以与任何基于转换的知识图谱嵌入模型（如 TransE）轻松集成。经过广泛的实验，在链接预测和三元组分类上显示出更好的性能提升。

    Mar, 2019

  • 基于嵌入式链接预测的规则挖掘改进

    在本研究中，我们提出了一种新的方法，通过在给定知识图谱上应用预训练的实体和关系嵌入来增强知识图谱，并运用规则挖掘系统，从而结合了规则挖掘和基于嵌入的方法的优点，我们在七个基准数据集上进行了大量实验证明了我们的方法的有效性，并提供了开源实现、预训练模型和数据集。

    Jun, 2024

  • 关系嵌入的提升规则注入

    本文提出了一种高效的基于关联规则的方法，将实体元组嵌入映射到近似布尔空间中，通过从 WordNet 中进行的关联规则挖掘来鼓励关系嵌入上的部分排序，以实现自动化知识库的构建。通过引入少量的常识规则，相较于矩阵分解基准方法，实现平均精度的 2 个百分点的提高，并观察到运行时间几乎没有增加。

    Jun, 2016

  • 本体知识图谱嵌入的解释效果：局部性和规则语言的影响

    研究了知识图谱（KGs）中基于嵌入的链接预测规则解释的影响，发现更具体的规则和本地作用域可以提高解释的准确性，并可以提供有关 KG 嵌入的更多洞察力。

    Feb, 2023

  • 像引擎一样执行：用于知识图谱推理的闭环神经符号学习框架

    提出一个基于神经符号学习的 KG 推理模型，通过结合 KG 嵌入和规则学习模块来实现语义关联的增强和解释能力的提高，实验表明这一模型在神经符号学习方面表现优异。

    Dec, 2021