知识图谱中归纳关系预测的锚定路径
本文介绍了关系路径覆盖和关系路径置信度的概念,以在模型训练之前过滤出不可靠的路径,提升模型性能,并提出了知识推理句子变换器(KRST)来预测 KG 中的归纳关系。我们在三个真实世界数据集上进行了广泛的实验,实验结果表明,与 SOTA 模型相比,KRST 在大多数传导和归纳测试用例(6 个中的 4 个)和 12 个 few-shot 测试用例中的 11 个中实现了最佳性能。
Jan, 2023
本文提出了一种名为 REPORT 的新方法,利用 Transform 器框架同时聚合关系路径和上下文,能够自然地推广到完全归纳设置,实验表明 REPORT 在两个完全归纳数据集的八个版本子集中表现比所有基线方法都要好,同时提供可解释性的预测结果。
Apr, 2023
本文提出了一种利用关系路径的混合语义来改善多跳知识图谱问答(KGQA)的方法,以较大程度的解决理解复杂问题的问题,通过实验证明该方法在多跳场景下的优越性。
Sep, 2022
本文提出了一种基于路径的知识库表示学习模型,将多步关系路径作为实体之间表示学习的翻译,利用路径约束资源分配算法度量路径可靠性,并通过关系嵌入的语义组合来表示关系路径;实证研究结果表明,与基线方法相比,我们的模型在知识库完成和文本关系提取方面取得了显著且一致的改进。
Jun, 2015
本文提出了使用孪生神经网络的基于路径的归纳链接预测模型 SiaILP,仅依赖关系和路径嵌入,可泛化到新实体而无需微调,实验证明该模型在归纳版本的 WN18RR、FB15k-237 和 Nell995 的链接预测任务中取得了多个最新的最优性能。
Dec, 2023
文章介绍一种新的分布式推理方法,以解决基于计数的分布语义模型在任何文本集合中存在未观察到但可能存在的共现所带来的稀疏性问题,尤其是针对像 Anchored Packed Trees (APTs) 之类将共现的语法类型考虑在内的模型而言。该方法利用 APTs 中丰富的类型结构并通过与语义组合相同的机制推断缺失数据。
Apr, 2017
本文提出了一种基于注意力机制、利用传递路径信息和局部语义的多模式嵌入模型(ÆMP),用于学习知识图谱中实体和关系的语境化表示,并在多个知识图谱基准上获得了大幅度的预测性能提升。
Jun, 2022
本文提出了一种名为 BERTRL 的解决方案,该方案使用预训练语言模型和 fine-tuning,通过将关系实例及其可能的推理路径作为训练样本,支持归纳学习并在 15 个应用中超越现有技术。
Mar, 2021