Sep, 2023

基于知识的科学出版物知识图谱的优化

PDF
TL;DR我们将作者识别问题视为知识图谱的构建和精细化问题，并通过学习概率逻辑模型从人类指导中学习关系回归树，以可解释规则输出。人类知识以一阶子句的形式注入以精炼树，且我们在七个作者领域定量和定性地展示了人类知识的实用性。
authorshipknowledge graph constructionprobabilistic logic modelfunctional gradient boostinghuman knowledge
发现论文，激发创造
  • 使用知识图谱计算基于规则的机器学习分类器解释

    使用知识图谱作为机器学习分类器解释操作的术语，并提出一种提取和表示黑匣子解释的新方法。

    Feb, 2022

  • 辅助知识图谱构建：从自然语言中进行人工监督的知识图谱构建

    通过 WAKA 这一 Web 应用程序，可以帮助领域专家以自然语言的方式构建特定领域的知识图谱。

    Jan, 2024

  • 利用嵌入和逻辑规则对生物医学知识图谱进行精化

    本文提出了一个名为 BioGRER 的方法，该方法综合了知识图谱嵌入和逻辑规则，以改进生物医学知识图谱的质量，并在 COVID-19 知识图谱上获得了有竞争力的结果。

    Dec, 2020

  • 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

  • 从知识图谱中得出的知识问题

    本研究提出一种针对知识图谱（如 DBpedia）自动生成知识问题的方法，通过使用端到端的方法，包括实体选择、三元组查询、答案选择和自然语言问句生成，并使用历史数据和训练分类器来估计问题难度。最后的实验证明了这种方法的可行性。

    Oct, 2016

  • 无监督从文本和代码构建知识图谱

    利用无监督学习方法构建知识图谱，将自然语言概念实体与源代码实体相关联，结合词嵌入、降维和聚类技术的文本概念聚类方法，用于帮助科学家理解、组织和比较开放科学生态系统中的软件，并增强对科学文献的整体理解。

    Aug, 2019

  • 通过人工协作扩展知识图谱

    本论文提出一种基于人机协作的知识图谱扩展方法，可用于有效提高 “广告营收”，减少知识图谱扩展所需时间。

    Dec, 2022

  • 知识图谱上的归因逻辑推理

    提出了一种针对知识图谱的诱导逻辑推理任务的生成模型方法，该方法使用监督学习和增强学习从观测中生成逻辑假设，并借助增强学习从知识图谱中提供更好的观测解释，实验证明该方法在三个常用知识图谱上取得了最先进的结果。

    Dec, 2023

  • 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

  • 无监督知识图谱构建和面向事件的知识注入在科学自然语言推理中的应用

    通过引入科学知识图谱来使预训练模型适应科学领域并提出了无监督构建科学知识图谱的方法，进一步提出了以事件为中心的知识注入方法，实验结果表明，方法达到了最先进的性能并具有效果和可靠性。

    Oct, 2022