Nov, 2023

文本和基于结构的模型的集成用于知识图谱补全

PDF
TL;DR我们研究了两种知识图谱补全方法：依赖文本实体描述的文本模型和利用知识图谱的连接结构的基于结构的模型。我们通过集成的方式结合了这两种方法，提出了一种新颖的方法来学习查询相关的集成权重，并在三个标准知识图谱补全数据集上取得了最先进的结果。
knowledge graph completiontextual modelsstructure-based modelsensemblingquery-dependent ensemble weights
发现论文，激发创造
  • 基于结构增强的文本表示学习用于高效的知识图谱补全

    本研究旨在整合知识图谱的图嵌入和文本编码技术，以提高自动完成知识图谱的性能，实现更精确的链接预测和结构学习。实验结果表明，该方法能实现与文本编码方法相比 1-2 个数量级的推理成本减少和最先进的性能表现。

    Apr, 2020

  • 基于结构实体锚点的高效对比知识图谱补全的统一结构和语义

    使用预训练语言模型方法，结合实体锚点和负采样的方式有效地统一了结构信息和语义信息，提高了知识图谱完成任务的性能，尤其在关联预测任务上表现最佳，超过了现有结构为基础的方法。

    Nov, 2023

  • 基于结构和文本嵌入的知识图谱补全

    在本研究中，我们提出了一种关系预测模型，它利用了知识图中的文本和结构信息，并结合了步行式嵌入和语言模型嵌入来有效地表示节点。通过在一个广泛使用的数据集上进行评估，我们证明了我们的模型在关系预测任务中取得了有竞争力的结果。

    Apr, 2024

  • 基于大型语言模型的多角度知识图谱补全方法改进

    MPIKGC 是一个通用框架，利用大型语言模型从不同的角度查询以补偿环境化知识的不足，改进了基于描述的知识图补全方法，扩展了实体描述，理解关系，并提取结构，通过四种基于描述的知识图补全模型和四个数据集进行了广泛评估，适用于链接预测和三元组分类任务。

    Mar, 2024

  • 基于集成知识迁移的多语言知识图谱补全

    本文提出了一种名为 KEnS 的新型框架，用于跨多个语言特定的知识图谱进行嵌入学习和集成知识传递，实现 KG 完成的改进。

    Oct, 2020

  • 提升大型语言模型在知识图谱补全中的性能

    利用大型语言模型（LLM）的结构感知推理能力，将知识图谱（KG）中的结构信息嵌入到 LLMs 中，从而提高 LLMs 的知识推理能力。我们提出了一种结构感知推理框架，并通过实验证明了引入结构信息对 LLMs 的知识推理能力的改进效果。

    Oct, 2023

  • 联合多语言知识图谱补全与对齐

    本文提出了一种联合完成和对齐知识图谱的模型，使用关系感知图神经网络编码多跳邻域结构，并利用结构不一致性降低机制将完成信息融入对齐组件，采用对齐种子扩展和三元组转移机制，实验结果表明该模型在多语言知识图谱对齐和完成任务上取得了最佳结果。

    Oct, 2022

  • 利用节点邻域改进知识图谱完成

    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

  • 实体和关系嵌入模型在知识图谱补全中的调查

    本研究是对实体和关系的嵌入模型在知识图谱完善领域的综合调查，总结了标准基准数据集的最新实验结果，并指出了潜在的未来研究方向。

    Mar, 2017

  • 知识图谱补全综述

    该研究论文介绍了知识图谱在信息抽取方法中的应用，探讨了表示学习和图神经网络在知识图谱完成中的作用，以及如何利用知识图谱在下游任务中预测缺失的链接。

    Aug, 2022