通过借鉴类似实体在知识库中的推理路径,使用基于案例的推理系统来预测实体的属性,并引入使用路径统计量有效计算模型参数的概率性方法。在开放世界设置中,该方法的性能显著优于其他规则学习方法并与最先进的基于嵌入的方法相当。
Oct, 2020
本文研究了含有时间变量的知识图谱,通过训练一个使用知识图谱背景信息和最近事件信息的事件预测模型,预测未来事件并预测知识图谱的变化,从而得到了知识图谱的演化模型,该方法在医疗应用、推荐引擎和传感器网络应用中表现良好。
Dec, 2015
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
提出了一个大规模基准测试,用于评估半归纳链接预测模型,在不同实验中发现,半归纳链接预测表现远不及透视性能,在集成语境和文本信息的半归纳链接预测模型方面提供了进一步研究的测试平台。
Oct, 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
本研究提出了一个名为图形协作推理(GCR)的方法,该方法利用邻居链接信息从逻辑推理角度对图形进行关系推理,并在常用基准数据集上展示其在链接预测等任务方面的卓越表现。
Dec, 2021
该研究提出了一种统一的关系学习框架(GRL),该框架可以插入现有的链接预测模型中,能够增强现有的链接预测模型,使其对于不平衡的关系分布和学习未见关系具有不敏感性,并能够联接语义相似的关系。
Dec, 2020
通过将自由文本与事件中心知识图关联,本研究提出了一个综合框架 EventGround,旨在解决上下文化叙事推理的问题,并通过基于图神经网络和大型语言模型的图推理模型,在取得了最新成果的同时提供可解释性证据。
Mar, 2024
本文基于一种时间知识图谱,提出了一种同时兼顾事件因果关系和时序性的逻辑和常识指导嵌入模型(LCGE),可充分考虑事件间的同时性和时序性,并且在常识知识的基础上,通过规则引导建立谓词嵌入标准化策略,从而提高了事件预测的准确率,并且具有可解释性。
Nov, 2022
本篇论文提出了一种神经符号推理器,可以处理大规模的动态常识知识图谱,通过学习逻辑规则,提供可解释性的预测,并在 CKGs 的链接预测任务上表现优于现有的技术。
May, 2021