Feb, 2024

基于上下文学习的通用链接预测器

PDF
TL;DR本研究介绍了一种名为 UniLP 的全能连接预测模型，它结合了启发式方法的普适性和参数化模型的模式学习能力，能够自动识别不同图表的连接模式并在无需针对性训练的情况下迅速应用于任何未知图表数据集。该模型通过 In-context Learning (ICL) 的实现解决了不同图表之间独特分布导致的连接模式冲突问题，通过顺应上下文演示动态调整到各种目标图表，避免了负面迁移。通过严格的实验证明了 UniLP 在适应新的未知图表上的有效性，并展示了它与为特定数据集进行微调的参数化模型性能相当甚至胜过的能力。我们的发现突出了 UniLP 在连接预测领域中将启发式方法和参数化方法的优势结合于一个多用途框架中的潜力。
发现论文，激发创造
  • 生成式图神经网络用于链接预测

    本文提出了一种名为 GraphLP 的新的基于网络重构理论的、区别于传统的判别式神经网络模型的生成式神经网络模型，利用深度学习提取图表结构信息并探索高阶连接模式以实现链路预测，实验证明 GraphLP 在不同数据集上都具有优异性能。

    Dec, 2022

  • 知识图谱中基于路径的神经网络的归纳链接预测

    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

  • 多模式 LLMs 的链接上下文学习

    基于多模式大型语言模型和大型语言模型，提出了一种新颖的上下文学习方法（In-Context Learning），通过加强因果关系，引导模型识别类比和数据点间的潜在因果关联，使模型能够识别未见过的图像和理解新概念更有效。

    Aug, 2023

  • 基于 PU 学习的准确链路预测

    提出了一种基于正无标号（PU）学习的准确链接预测方法 PULL（PU-Learning-based Link predictor），它通过为每个边引入潜在变量并利用相对于这些变量的预期图结构，有效地防止链接预测器过度拟合观察到的图，在边不完整的图中预测链接的性能优于基线模型。

    May, 2024

  • LinkGPT: 教授大型语言模型预测丢失链接

    本研究提出了 LinkGPT，首个用于链接预测任务的端到端训练的大型语言模型 (LLM)，通过有效整合结构信息和解决效率问题，在真实世界的图和零样本学习中取得了领先水平的性能。

    Jun, 2024

  • 神经网络链接预测的配对学习

    本文提出了一个有效的针对神经链接预测进行成对学习的框架（PLNLP），其采用了四个主要组件，包括邻域编码器、链接预测器、负采样器和目标函数，并在 OGBlbenchmark 上进行了评估。该框架具有灵活性，可选用任何通用的图神经卷积或链接预测特定的神经结构进行编码。

    Dec, 2021

  • 大规模异构图中基于大型语言模型的可扩展链接预测

    这篇论文描述了如何将大规模语言模型应用于图学习，提出了 LPNL（通过自然语言进行链接预测）框架来处理大规模异构图上的可扩展链接预测任务，并通过自我监督学习细调了基于 T5 模型的链接预测模型，实验证明 LPNL 在大规模图链接预测任务上表现出色。

    Jan, 2024

  • 基于知识图谱的归纳链接预测公开挑战赛

    本研究提出了 ILPC 2022 数据集挑战赛，旨在为评估归纳表示学习方法提供基准测试，从而使社区在归纳图表示学习领域中进行协同努力.

    Mar, 2022

  • Bi-Link：通过对 Transformer 和提示进行对比学习，连接文本中的归纳链接预测

    本文提出了一种叫做 Bi-Link 的对比学习框架，利用 BERT 的语法知识进行有效的搜索来进行关系预测，并设计了对称的关系预测模型，并在链接预测数据集（WN18RR、FB15K-237 和 Wikidata5M）上优于最近的基准线。

    Oct, 2022

  • 知识图谱大规模语言模型（KG-LLM）用于链接预测

    通过使用链式思维促进和上下文学习，该研究介绍了一种新方法，即知识图大型语言模型框架（KG-LLM），以提高知识图中多跳链接预测的效果。实验证明，集成上下文学习和链式思维不仅增加了方法的性能，而且显著提高了模型的泛化能力，从而在陌生情境中实现更准确的预测。

    Mar, 2024