Dec, 2023

FedMKGC：隐私保护的联邦多语言知识图谱补全

PDF
TL;DR知识图谱补全的联合学习框架，通过基于文本的知识表示学习，隐式聚合多个知识图谱的语言模型权重，从而在多语言知识图谱上提升预测性能而无需共享原始数据。
knowledge graph completionfederated learningknowledge representation learningmultilingual kgsprivacy concerns
发现论文，激发创造
  • 利用相互知识蒸馏的集体知识图谱补全

    本文介绍了一种名为 CKGC-CKD 的新方法，通过使用关系感知图卷积网络编码模型在集成的知识图谱和各自的知识图谱上进行训练，以最大程度地利用来自不同知识图谱的集体知识，从而缓解了个体知识图谱的不完整性，并通过相互知识蒸馏机制来进行知识传递，在多语言数据集上取得了比所有先进模型更好的知识图谱完成结果。

    May, 2023

  • FedE: 在联邦学习环境中嵌入知识图谱

    本文提出一种名为 FedE 的联邦知识图嵌入框架，采用联邦学习的方式进行多源知识图嵌入预测，保护数据隐私。实验证明，该方法在知识图嵌入方面具有较高效率。

    Oct, 2020

  • 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

  • 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

  • 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

  • KICGPT：具有上下文知识的大型语言模型用于知识图谱推理

    提出了一种整合了大型语言模型和三元组为基础的知识图谱完成方法，名为 KICGPT，通过使用知识提示来解决长尾问题并改进效率，而无需额外的训练和微调。

    Feb, 2024

  • 多层共享知识引导的知识图谱补全学习

    利用多级共享知识指导学习方法（SKG）在数据集级别通过文本摘要识别实体集合内的共享特征，而在任务级别则利用动态调整的损失权重提出了一种创新的多任务学习架构，有效缓解了子任务间知识共享不均衡的问题。实验证明 SKG-KGC 在三个知名数据集上显著优于现有基于文本的方法，尤其在 WN18RR 数据集上取得了显著提升。

    May, 2024

  • 发挥联合作用：利用语言模型和邻域信息增强生成式知识图谱补全

    我们提出了一种改进基于语言模型的知识图谱补全方法，通过包含节点邻域作为附加信息，提高了预测效果，并且在多种评估数据集上优于传统方法和基于语言模型的 KGC 方法。我们还对邻域对模型预测的影响进行了详细分析，并指出了通过更有效的邻域选择来显著改进 KGC 的方向。

    Nov, 2023

  • GreenKGC：一种轻量级的知识图谱补全方法

    本文提出了一种轻量级模块化知识图谱完成 (GreenKGC) 方案，该方案包含三个模块：表示学习、特征修剪和决策学习，旨在解决在获得更好推理能力的同时保持较小的模型大小。实验结果表明，GreenKGC 可以在较小的模型尺寸下达到与高维嵌入方法相当甚至更好的性能，并且可以推广到更多任务中。

    Aug, 2022

  • 多语言知识图谱补全的关系和实体对齐

    ALIGNKGC 是一种用于训练多语言知识图谱（Knowledge Graph）完成、实体对齐和关系对齐模型的方法，旨在优化三种损失。使用 DBPedia 数据集进行实验，并与单一 KGC 模型、不使用对齐的 KGC 模型进行比较，结果表明 ALIGNKGC 在这三种任务上的表现均得到了改善。

    Apr, 2021