GradXKG: 一种通用的解释性实时知识图谱解释器
本文提出了一种基于递归演化网络的图卷积网络 (RE-GCN) 的模型,以有效地模拟序列的历史事实,捕捉结构依赖性和时间上邻近事实的时序模式,并根据历史的 KG 序列自回归地建模并一并捕获所有事实的时序模式,从而显著提高了六个基准数据集上的时间推理任务的性能和效率。
Apr, 2021
知识图谱补全(KGC)通过建立知识图谱嵌入(KGE)模型、探索连接子图解释方法和评估器等手段,有效改善知识图谱的不完整性问题,并在人类评估中取得了 83.3% 的最优比例。
Apr, 2024
本文提出了一种新型解释模型 HoGRN 用于针对稀疏知识图谱(KG)的提取和推理,在实现高效和精确的预测同时保证可解释性,通过捕获关系的内部相关性学习高质量关系表示,并在关系空间中进行实体聚合和基于组合的注意力设计,HoGRN 在几个稀疏 KG 上表现出了显著的改进。
Jul, 2022
TiPNN 模型以历史时间图为基础,采用统一的图结构来全面捕捉和封装历史信息,并利用查询感知的时间路径模拟与查询相关的历史路径信息,从而实现对时间知识图的推理,并在归纳设置下取得显著性能提升。
Sep, 2023
GNNs 在知识图谱完成领域取得了巨大成功,但预测结果的解释并没有得到足够的关注。本研究提出了 Power-Link 方法,基于路径的 KG 解释器,在 GNN-based 模型中探索路径解释,并引入新的度量方法进行定量和定性评估,实验证明 Power-Link 在解释性、效率和可扩展性方面优于基线模型。
Jan, 2024
提出了一种基于关系注意力机制和反向表示更新策略的时间动态知识图谱链接预测框架,构建查询相关子图来预测图结构中未来的连接情况,具有更好的解释性和推荐准确率。
Dec, 2020
我们提出了一个新颖的检索增强生成框架 GenTKG,结合了时间逻辑规则检索策略和轻量级参数效率指导,用于在时间知识图上进行生成性预测,证实了大语言模型在时间知识图领域具有巨大潜力,并开辟了时间知识图生成性预测的新领域。
Oct, 2023
本文介绍了一种基于元学习的时间知识图谱外推模型(MTKGE),该模型在已知时间知识图谱中进行链接预测任务的元训练,并在具有未知实体和关系的新兴时间知识图谱中进行测试。通过捕获关系的相对位置模式和时间序列模式的 GNN 框架,学习模式的嵌入可以转移到未知组件。实验结果表明 MTKGE 模型在两个不同的时间知识图谱外推数据集上均优于现有的知识图谱外推和特定自适应 KGE 和 TKGE 基线的最新模型。
Feb, 2023
我们填补了时态图谱推理和超关系时态图谱推理之间的差距,通过开发两个新的基准数据集以及提出一个高效模型,同时建模时间事实和限定词,并探索从 Wikidata knowledge base 中获取的额外的不随时间变化的关系知识对于高效推理的有效性。
Jul, 2023