Aug, 2023

用图神经网络和规则实现归纳式知识图补全的分析

PDF
TL;DR归纳性知识图谱补全的这篇研究中，通过学习训练图谱中的推理模式，从而对不相交的测试图谱进行预测；研究发现基于规则的方法相对于基于图神经网络（GNNs）的最新方法具有较低的性能，但通过针对问题所涉及的两个因素进行优化，可以实现接近基于图神经网络的性能，同时保留了规则方法的可解释性优势，并且进一步的变种在总体知识图谱中的表现优于基于图神经网络的方法。
发现论文，激发创造
  • 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

  • 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

  • 重新审视知识图谱补全的推理基准

    这篇论文提出了一种新方法来设计知识图谱补全基准测试，并用这个方法产生了几个测试集，对现有的知识图谱补全系统进行了评估，结果提供了现有模型从不完整的知识图谱中引入推理模式的新见解。

    Jun, 2023

  • 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

  • 利用嵌入式知识图谱进行链接预测

    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

  • 关于知识图谱补全规则的聚合

    这篇论文介绍了知识图谱补全中规则学习方法的高效、可解释且与纯神经模型竞争的特点，提出了规则聚合问题的概念，并探讨了其理论基础。研究证明了现有的聚合方法可以通过对预测规则进行边缘推断操作来表示，并提出了一种既有效又被忽视的基准方法，与计算复杂度更高的方法具有竞争力。

    Sep, 2023

  • 图神经网络在知识图谱推理中的逻辑表现力

    本文从逻辑表达式的角度对图神经网络进行了理论分析，实验结果验证了我们提出的实体标记方法的有效性，并揭示了基于标记技巧的最先进的方法为什么很有效。

    Mar, 2023

  • 知识图谱中基于路径的神经网络的归纳链接预测

    本文提出了使用孪生神经网络的基于路径的归纳链接预测模型 SiaILP，仅依赖关系和路径嵌入，可泛化到新实体而无需微调，实验证明该模型在归纳版本的 WN18RR、FB15k-237 和 Nell995 的链接预测任务中取得了多个最新的最优性能。

    Dec, 2023

  • 图神经网络对知识图谱补全是否真正有帮助？

    本篇研究通过探索评分函数和损失函数的设计，发现相比于复杂的图神经网络，简单的多层感知器 (MLP) 模型能够实现与之相似的性能表现，在知识图谱补全 (KGC) 方面不一定需要高度复杂的聚合方式。

    May, 2022

  • 基于归纳学习的常识知识图谱补全

    本论文提出了一种名为 InductivE 的学习框架，旨在解决 Commonsense Knowledge Graph（CKG）完成中可能出现的未见过实体的问题，该框架直接从原始实体属性 / 文本计算实体嵌入，并由一个自由文本编码器、一个图编码器和一个 KG 完成解码器组成。实验证明，InductivE 在 ATOMIC 和 ConceptNet 基准测试中都显著优于现有基线方法。

    Sep, 2020