Nov, 2023

基于大型语言模型的时间知识图谱的零样本关系学习

PDF
TL;DR通过将知识图谱关系的文本描述输入到大型语言模型中，我们提出了一种新的方法以解决传统知识图谱预测中的无先验图谱上下文的零样本关系建模问题，并通过引入大型语言模型增强的关系表示，使传统模型能够识别没有观察到的关系，在预测未知关系方面取得更好的性能。
modeling evolving knowledgetemporal knowledge graphsembedding-based tkgf methodszero-shot relationslarge language models
发现论文，激发创造
  • 学习一次关系的元表示，用于时态知识图谱链接预测

    本文提出一种针对时间知识图谱的 few-shot learning 模型，通过时间关系建模，实现了在单样本情况下，对时间知识图谱进行关系预测

    May, 2022

  • GenTKG：时序知识图谱上的生成预测

    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

  • 生成式对抗零样本关系学习用于知识图谱

    本文提出了一种零样本学习方法，利用生成对抗网络从文本描述中学习新关系的语义特征并在知识图谱中识别新关系的事实，使得知识图谱的扩展更加容易，实验结果表明这种方法可以被广泛应用于任何版本的知识图嵌入，并在 NELL 和 Wiki 数据集上实现了一致的性能提升。

    Jan, 2020

  • 知识图谱的单次关系学习

    本文提出了一种基于嵌入模型的一次性关系学习框架，将已有的知识和一跳图结构相结合，来预测在只有一个训练样例的情况下的新事实，并通过实验证明，在新关系预测和嵌入模型训练上，该模型具有巨大的性能优势。

    Aug, 2018

  • 利用大型语言模型从知识图谱进行零样本自然语言生成

    本文使用大型语言模型进行预训练生成知识图谱到文本的零样本生成，虽然表现接近最先进水平，但不同情况下有不同结果，并发现语言模型已有的知识与输出文本的质量有显著关联。

    Jul, 2023

  • 上下文学习下没有先验知识的时间知识图预测

    本文研究利用大型语言模型和上下文学习技术进行时间知识图谱（TKG）预测，并证明可在不需要显式重点捕获结构和时态信息的情况下，LLM 与针对 TKG 预测深度设计和训练的最先进的 TKG 模型表现相当，而且本文发现使用数值索引而非实体 / 关系名称可以实现接近相同的性能，且证明上下文学习可以帮助 LLMs 学习历史上不规律的模式，从而超越基于共同或最新信息的简单预测。

    May, 2023

  • 多模态知识图谱的零样本关系学习

    我们提出了一个新颖的端到端框架，包含三个组成部分：多模态学习器、结构整合器和关系嵌入生成器，以整合多样化的多模态信息和知识图结构，从而促进零样本关系学习。通过对两个多模态知识图的评估结果，证明了我们提出方法的卓越性能。

    Apr, 2024

  • 基于大型语言模型的时间知识图的两阶段生成式问答

    提出一种新颖的生成式时间知识图问答框架（GenTKGQA），通过两个阶段引导 LLMs 回答时间性问题：子图检索和答案生成。在第一个阶段，利用 LLM 的内在知识来挖掘问题中的时间约束和结构链接，从而缩小子图搜索空间。在第二个阶段，设计虚拟知识指示器将子图的图神经网络信号与 LLM 的文本表示非浅层次地融合，帮助开源 LLM 深入理解检索到的事实中的时间顺序和结构依赖关系。实验结果表明，该模型优于最先进的基准方法，甚至对于简单问题类型的指标达到 100％。

    Feb, 2024

  • TGG：零样本学习和少样本学习的可转移图生成

    提出一种 Transferable Graph Generation 方法应用于 zero-shot/few-shot 学习领域，采用显式的图生成建模来解决隐式方法的关系不充分的问题。通过由一个基于注意力机制的图生成网络和一个关系核心生成与学习充分，从而实现对未知领域的知识迁移。

    Aug, 2019

  • 利用大型语言模型通过历史链推理提升时间知识图预测

    基于 LLM 的时态知识图预测模型存在三个缺点，为解决这些问题，我们提出了一种称为 CoH 的历史链推理方法，以实现对高阶历史信息的有效利用，进而增强了基于图模型的 TKG 预测性能。

    Feb, 2024