本文介绍了基于图神经网络和知识图谱的学习方法,探讨了路径传播中关键因素,并提出了一种自适应的传播路径方法,通过过滤不相关的实体同时保留有前途的目标,实现了更深层次的信息抓取,最终获得了在归纳推理中领先的效果。
May, 2022
为应对稀疏知识图谱中存在的问题,提出一种新颖的框架 LR-GCN,在 GNN 预测器和推理路径提取器的共同作用下,使用变分 EM 算法能够自动捕捉实体之间的长程依赖性,从而提高知识图谱完成的效率。
Jun, 2023
本文提出了一种通过图神经网络对实体邻域进行建模的增强型框架用于知识图谱补全,同时引入额外的边链接预测任务。评估结果表明,该框架简单且有效,并且能够做出可解释预测。
Feb, 2023
本文介绍了一种基于图卷积神经网络、知识图谱和 Dense Graph Propagation 模块的两阶段训练方法,针对多层架构中节点之间的信息传播问题提出了一种精心设计的直接连接方法,通过加权方案进一步提高了信息在图中的传播效率,实验结果表明,该方法在零样本学习中具有优异的性能表现。
May, 2018
提出了一种新颖的基于 Transformer 的图网络模型,实现了检索 - 阅读框架,提高了知识图谱链接预测的性能。
Dec, 2022
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
本研究首次总结了时间知识图补全方法的研究进展,包括背景、基准数据集、评估指标以及现有方法,旨在解决静态知识图补全方法的不准确问题。未来的研究方向也在文章中提出。
Jan, 2022
在这篇论文中,我们研究了与真实世界建设场景相关的三个重要过程:验证过程,挖掘过程和训练过程,并通过整合这三个过程引入了渐进式知识图谱完成(PKGC)任务,以模拟在真实世界场景中逐步完善知识图谱的过程。此外,为了加快 PKGC 处理,我们提出了两个加速模块:优化的 Top-k 算法和语义有效性过滤器,这些模块显著提高了挖掘过程的效率。我们的实验证明链接预测的性能不能准确反映 PKGC 的性能,更深入的分析揭示了影响结果的关键因素,并为未来的研究提供了潜在的方向。
Apr, 2024
本文旨在探讨在大型知识图谱中自动预测缺失链接的 KGC 技术,针对最近几篇高水平论文达到的高性能,提出了一个简单的评估协议来解决模型偏差的问题,并使用该协议对几种现有方法进行了广泛的实验,同时公开了可复现的代码。
Nov, 2019
基于可扩展图神经网络的自适应拓扑感知传播 (ATP) 提高了运行效率和预测性能,减少了潜在的高偏差传播,并以可插入式的节点传播优化策略无缝集成于大规模图神经网络,同时解决了冗余计算成本。
Feb, 2024