本文介绍一种基于BERT的实体链接模型,采用两阶段的零样本链接算法,通过双编码器进行实体检索,并进一步用交叉编码器对候选实体进行重排序。经实验证明,这种方法不需要显式实体嵌入或手动工程化的实体表,已超越最近的零样本评估和已建立的非零样本评估(如TACKBP-2010),并且具有速度快的优点。
Nov, 2019
本论文提出了一个新的模型,即FSRL模型,在少量有参考的情况下学习新关系,可以更有效地从异构图结构中获取知识,并匹配每个关系的参考集中的相似实体对。实验结果表明,该模型优于现有的最先进的模型。
本研究旨在整合知识图谱的图嵌入和文本编码技术,以提高自动完成知识图谱的性能,实现更精确的链接预测和结构学习。实验结果表明,该方法能实现与文本编码方法相比1-2个数量级的推理成本减少和最先进的性能表现。
Apr, 2020
该研究提出了一种统一的关系学习框架(GRL),该框架可以插入现有的链接预测模型中,能够增强现有的链接预测模型,使其对于不平衡的关系分布和学习未见关系具有不敏感性,并能够联接语义相似的关系。
Dec, 2020
本论文提出了一种构建层次化n-gram的零样本链接预测框架,通过使用字符n-gram的依赖关系来跨越已知和未知关系之间的差距,获得了两个零样本链接预测数据集上的最先进成果。
Apr, 2022
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
本文提出了一种基于关系匿名游走引导的神经过程模型 RawNP,用于在知识图谱上进行少样本归纳链接预测,并在典型基准数据集上展示出了新的最先进性能。
Jun, 2023
TACO是一种基于子图的新型方法,通过建模与拓扑结构高度相关的关系之间的语义相关性,将图级特征和边级交互相结合,以同时进行推理的方式,在归纳链接预测任务中实现了卓越的性能。
Sep, 2023
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。
Nov, 2023
知识图谱在不同语义含义的实体之间建立联系。针对知识图谱中丢失的实体信息,研究主要集中在链接预测。本文对现有工作进行系统性回顾,发现了术语和任务定义的多样性,限制了最新工作之间的比较。因此,本文旨在深入剖析每个设置并提出统一的命名方式。
Dec, 2023