Mar, 2024

面向任务的大型知识图谱上的 GNNs 训练用于准确和高效建模

PDF
TL;DRKG-TOSA 是一种自动化任务导向下的异构图神经网络训练的子图提取方法，能够显著减少训练时间和内存使用，提高模型性能。
knowledge graphheterogeneous graph neural networkstask-oriented subgraph extractionautomated graph pattern matchingkg-tosa
发现论文，激发创造
  • 文本到知识图谱对齐：在分类任务中比较现有方法

    本文研究了知识图谱和预训练语言模型相结合的文本分类任务，对常见的文本到知识图谱对齐方法进行了评估，结果表明当前的方法相对于完全相关的查询子图存在一定的局限性。

    Jun, 2023

  • 基于图神经网络的子图引导知识图谱问题生成

    本研究提出了一种基于 bidirectional Graph2Seq 模型和节点级别复制机制来生成知识图谱子图问题的方法，并在自动和人工评估中取得了最新的最好表现，并显示了该方法可以作为数据增强方法，从而持续有益于问答任务。

    Apr, 2020

  • 拓扑图神经网络

    TOGL 是一种新颖的层，它将一个图的全局拓扑信息与持久同调结合，可轻松集成到任何类型的 GNN 中，在合成和真实数据集上的分类任务中表现出更好的预测性能。

    Feb, 2021

  • 学习常识推理的情境化知识结构

    该研究提出一种名为 Hybrid Graph Network（HGN）的知识图谱（KG）增强模型，通过在一个统一的图结构中同时推理提取和生成的知识来解决 KG 边缘稀疏和嘈杂的问题，证明了该模型在四个常识推理基准测试中取得的相当大的性能增益，并研究了边缘有效性和帮助性。

    Oct, 2020

  • 知识增强的图神经网络

    提出 KeGNN，一种神经符号框架，结合了神经和符号方法，用于图数据的学习，旨在通过添加系统先前知识来提高精度，并通过多个基准数据集的节点分类进行评估。

    Mar, 2023

  • 图神经网络对知识图谱补全是否真正有帮助？

    本篇研究通过探索评分函数和损失函数的设计，发现相比于复杂的图神经网络，简单的多层感知器 (MLP) 模型能够实现与之相似的性能表现，在知识图谱补全 (KGC) 方面不一定需要高度复杂的聚合方式。

    May, 2022

  • 图增强的学习排序用于查询大规模知识图谱

    提出了一种基于子图分区的图增强学习排序模型，该模型整合了子图匹配网络和增强双边多角度匹配模型，用于知识图谱问答中的答案选择。在多个基准数据集上的实验结果表明，该方法具有很好的效果。

    Nov, 2021

  • 基于层次化查询图生成的知识图谱复杂问题回答：概述和填写

    本文提出了一种基于 AQG（一种统一的图形文法）的端到端模型，由高级解码生成用于约束搜索空间的 AQG 和底级解码构造查询图，旨在优化查询图构建过程，提高在复杂 KGQA 基准测试中的表现。

    Nov, 2021

  • 可解释的稀疏知识图谱补充方法：基于高阶图推理网络的实现

    本文提出了一种新型解释模型 HoGRN 用于针对稀疏知识图谱（KG）的提取和推理，在实现高效和精确的预测同时保证可解释性，通过捕获关系的内部相关性学习高质量关系表示，并在关系空间中进行实体聚合和基于组合的注意力设计，HoGRN 在几个稀疏 KG 上表现出了显著的改进。

    Jul, 2022

  • 无任务图解释

    本文提出了一种独立于下游模型的、在自监督下训练的 GNN 解释器（TAGE），能够解释未知下游任务的 GNN 嵌入模型，无论是多任务模型还是自监督训练模型，在多个下游任务中使用同一模型进行解释，其解释质量甚至比现有的 GNN 解释方法更好。

    Feb, 2022