跨模态知识图谱的综合数理推理方法：材料性质预测

Dec, 2023

跨模态知识图谱的综合数理推理方法：材料性质预测

Bridging the Semantic-Numerical Gap: A Numerical Reasoning Method of Cross-modal Knowledge Graph for Material Property Prediction

PDF

Guangxuan Song, Dongmei Fu, Zhongwei Qiu, Zijiang Yang, Jiaxin Dai...

TL;DR利用机器学习技术预测材料性质是一个关键的研究课题。本文提出了一种数值推理方法用于材料知识图谱，通过构建跨模态知识图谱并利用图神经网络来预测材料性质，实现了处理跨模态数据、挖掘关系和跨模态信息、充分利用实验数据的目标。文章还引入了两个新的高熵合金属性数据集，并展示了该方法在材料数据集和物理化学分子数据集上相对于最先进方法的改进，突出了其潜在应用和普适性。希望提出的数据集、算法和预训练模型能促进知识图谱和人工智能在材料领域的发展。

Abstract

Using machine learning (ML) techniques to predict material properties is a crucial research topic. These properties depend on numerical data and semantic factors. Due to the limitations of small-sample datasets,

machine learning material properties numerical reasoning graph neural network high-entropy alloys

发现论文，激发创造

实体和数值知识图谱推理

本文提出了一种基于数量推理的复杂逻辑查询解答方法，使用 Number Reasoning Network 框架来分别编码实体和数值，实现了关于数值和实体值的不同处理后，有效地解答了问题，并在三个不同的知识图上获得了最新的状态

Jun, 2023

MarkQA：一个具有数值推理的大规模知识库问答数据集

本文提出了一个新的任务，NR-KBQA，它需要进行多跳推理和数值推理。我们使用 Python 格式的逻辑形式 PyQL 设计了数值推理问题的推理过程，并提供了一个名为 MarkQA 的大型数据集，用于促进 NR-KBQA 的开发。实验结果表明，在 MarkQA 上进行复杂的数值推理在 KBQA 中面临巨大挑战。

Oct, 2023

从包含数值边属性的知识图谱中学习嵌入

本文提出了一种将数字边属性注入传统的知识图谱嵌入架构的评分层的新方法，研究结果表明，这种方法优于传统的缺乏数字边知识和最近的 UKGE 模型。

May, 2021

多模态知识图谱

MMKG 是一个包含数字特征和图像链接的三个知识图谱集合，可以帮助多重关系链接预测和实体匹配社区，并且具有潜力促进知识图谱的新型多模态学习方法的发展。我们通过大量实验验证了 MMKG 在同 As 链接预测任务中的效用，并显示出多元特征类型学习对这一任务的益处。

Mar, 2019

多模态知识图谱下的多模态推理

提出了一种利用多模态知识图 (MMKGs) 进行多模态推理的方法 (MR-MKG)，通过利用多模态知识图 (MMKGs) 跨模态地学习丰富的语义知识，显著提高了大型语言模型 (LLMs) 在多模态推理中的能力。通过在仅使用 LLM 参数的 2.25% 进行训练，MR-MKG 在多模态问答和多模态类比推理任务上取得了优越的性能，胜过了之前的最新模型。

Jun, 2024

Knowledgebra: 一个面向知识图谱的代数学习框架

本文提出了一种基于代数结构的 Knowledgebra（知识代数）数学语言，分析了五个不同的代数属性，证明了半群关系嵌入是一般知识图谱关系嵌入最合理的代数结构，提出了一个实例化模型 SemE，使用简单的矩阵半群具有最好的性能，同时提出了一种基于正则化的方法，在嵌入训练中融合人类知识派生的链式逻辑规则，为深度学习和代数推理的结合提供了一种可能性。

Apr, 2022

知识图谱逻辑推理的神经方法

本文介绍了一种使用神经网络来处理知识图谱上的多跳逻辑查询的方法，并展示了实验室中的卓越性能，该方法可以处理包括否定查询在内的全一阶逻辑查询。

Sep, 2022

预测或比较：走向可解释的定性推理

本研究通过将定性关系任务分类成预测和比较两种类型，并采用端到端训练的神经网络模块来模拟这两种推理过程，实验结果在两个问答数据集 QuaRTz 和 QuaRel 上展示了我们方法的有效性和泛化能力，并提供模块的中间输出来使推理过程更容易解释。

Jun, 2021

利用生成式知识提取、基于图的表示和多模态智能图推理加速科学发现

使用生成人工智能（AI）将 1000 篇生物材料领域的科学论文转化为详细的本体知识图，揭示了其固有的无标度特性。通过基于组合排名节点相似性和介数中心性的不同概念之间的图遍历路径检测，我们揭示了深入洞察力，揭示了前所未有的跨学科关系，可用于回答查询，识别知识空缺，并提出前所未见的材料设计及其行为。

Mar, 2024

多学科材料科学中的功能材料知识图谱构建

通过利用先进的自然语言处理技术，从过去十年中所有高质量研究论文中提取数百万个三元组，将无结构信息组织为九个不同类别的标签，并与论文的数字物体识别符无缝集成，Functional Materials Knowledge Graph（FMKG）作为最新的功能材料结构数据库，为加速功能材料开发和构建更全面的材料知识图谱奠定了基础。同时，我们的研究为实用的基于文本挖掘的知识管理系统奠定了基础，不仅适用于复杂材料系统，也适用于其他专业领域。

Apr, 2024