Nov, 2023

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

PDF
TL;DR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。
knowledge graph completionpre-trained language modelinductive reasoningentity representationslink prediction
发现论文，激发创造
  • MoCoSA: 基于动量对比的结构增强预训练语言模型用于知识图谱补全

    该研究提出了一种基于结构增强的预训练语言模型（MoCoSA）的动能对比方法，用于知识图谱完成，通过可适应的结构编码器使预训练语言模型能感知结构信息，并使用惯性难负采样和内部关系负采样提高学习效率。实验结果表明，该方法在平均倒数排名（MRR）方面达到了最先进水平，在 WN18RR 上提高了 2.5％，在 OpenBG500 上提高了 21％。

    Aug, 2023

  • 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

  • 预训练语言模型是否真能推断知识图谱中未见节点的关联？

    通过预训练模型的知识获取，我们提出了一种方法用于构建合成数据集，研究表明预训练模型在知识图谱补全中具备了推理能力，尽管性能的提高主要来自实体和关系的文本信息。

    Nov, 2023

  • 预训练语言模型结合知识约束的多语言知识图谱补全

    通过引入全局和局部知识约束，本文提出了一种用于多语言知识图谱补全的预训练模型，使其更好地适应 mKGC 任务，并在公共数据集上实验证明该方法在 Hits@1 和 Hits@10 方面的性能优于现有研究，平均提升了 12.32% 和 16.03%。

    Jun, 2024

  • 文本和基于结构的模型的集成用于知识图谱补全

    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。

    Nov, 2023

  • 知识图谱补全的联合语义和结构嵌入

    本文提出了一种采用预训练语言模型的方法，将知识三元组的语义信息与其结构信息一起嵌入到自然语言描述中，以提高知识图谱补全任务的性能，特别是在低资源环境下表现更佳。

    Sep, 2022

  • 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

  • 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

  • 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

  • 沾上 PLMs 酱：通过条件软提示桥梁结构和文本以有效完善知识图谱

    本文提出了一种名为 CSProm-KG 的方法，该方法通过平衡结构信息和文本知识来完成知识图谱的补全任务，CSProm-KG 只调整由实体和关系表示生成的条件软提示的参数，验证了其在多个静态和动态知识图谱补全基准测试中的有效性和优越性。

    Jul, 2023