EMNLPOct, 2023

金：全球和局部感知的常识知识图噪声检测框架

PDF
TL;DR通过引入实体语义信息、全局规则和本地结构信息，我们提出了 Gold（全局和局部感知去噪）框架，用于在大规模语义覆盖范围下构建常识知识图谱。实验结果表明，Gold 在合成噪声常识知识图谱基准任务中优于所有基准方法，此外，我们展示了对真实世界常识知识图谱进行去噪的有效性，并进一步证明了在下游零样本常识问答任务中的益处。
发现论文，激发创造
  • 通识知识图谱：CSKG

    本文介绍了五个原则来整合七个主要源的常识知识，创建第一个集成的 CommonSense Knowledge Graph（CSKG），并显示其各种文本和图形嵌入。同时，阐述了 CSKG 可以提供证据来支持下游推理和语言模型的预训练，并公开了 CSKG 及其所有嵌入以支持常识知识整合和推理的进一步研究。

    Dec, 2020

  • 基于相似度加权的上下文通识知识图构建，用于知识密集型论证任务

    本文提出了构建上下文常识知识图谱的新方法，使用语义相似性计算知识图谱三元组和文本论点之间的相似度，从而提取连接论点和前提的上下文化路径，并组合成去噪的上下文常识知识图谱来补充没有明确陈述的论证过程，所得结果在评估任务中显示出了很高的正确率。

    May, 2023

  • 基于上下文和知识图谱的动态表示

    本文提出了一种名为 CKG 的动态表示方法，利用外部知识图谱中的实体信息来提高语言句子的正确语义，实验表明，CKG 在多项任务中达到了最优结果。

    Dec, 2022

  • 知识图谱对比学习用于推荐

    提出了一种知识图谱对比学习的框架 (KGCL)，该框架通过知识图谱增强模式减少了噪声，利用交叉视图对比学习技术进一步抑制了噪声，实现了在稀疏、长尾和有噪声的知识图谱场景下的强大性能。

    May, 2022

  • 基于概率逻辑的常识表征框架：用于建模具有多个前提和变化可能性的推理

    本论文研究如何更好地表示常识知识，提出了一种概率逻辑表示方案和一种层次化概念本体论，能够更灵活地表示信念，并在神经符号应用中使用。通过专家注释和群众众包，将这个框架扩展到 PrimeNet 知识库，并展示其在更易解释的语义解析和问题回答中的应用。

    Nov, 2022

  • 知识图谱错误检测与对比置信度调整

    我们提出了一种知识图谱错误检测模型 CCA，通过整合三元组重构中的文本信息和图结构信息，以更好地区分语义，设计交互式对比学习来捕捉文本和结构模式之间的差异，并通过构建包含语义相似噪声和对抗噪声的现实数据集来验证实验结果，表明 CCA 在检测语义相似噪声和对抗噪声方面优于现有基线模型。

    Dec, 2023

  • 对比知识图谱错误检测

    本文提出了一种新的框架，ContrAstive knowledge Graph Error Detection (CAGED), 结合了 Knowledge Graph (KG) 的 embedding 和对比学习的 loss，对 KG 中的三元组进行可靠性评估，从而检测异常，通过在不同超视图中的建模 CAGED 比现有方法表现更好。

    Nov, 2022

  • CAKE: 一种可扩展的常识感知框架，用于多视角知识图完备化

    提出了一种基于常识感知的知识图谱嵌入框架，能够从实体概念中自动提取常识，利用其拓展有效自我监督，同时通过常识和事实视角的链接预测实现高质量负采样，提高了知识图谱嵌入模型的性能。

    Feb, 2022

  • KagNet: 基于知识的图网络用于常识推理

    该研究提出了一种基于知识图谱的语义推理框架，以解决常识性问题，并通过引入 KagNet 模型和 ConceptNet 外部资源，取得了在常识 QA 数据集上的最佳表现。

    Sep, 2019

  • 常识知识的整合

    通过对常识知识源进行调查，本文提出了构建通识知识图谱的原则、表示模型，将七个独立的常识知识源整合到了第一版集成的通识知识图谱中，并分析了它在四个问答数据集上的应用统计结果和所得到的经验教训。

    Jun, 2020