少即是多:大规模知识图谱上的一次性子图推理
本文提出了一种基于嵌入模型的一次性关系学习框架,将已有的知识和一跳图结构相结合,来预测在只有一个训练样例的情况下的新事实,并通过实验证明,在新关系预测和嵌入模型训练上,该模型具有巨大的性能优势。
Aug, 2018
本文提出了一种基于元学习的 Meta-Graph 框架,该框架使用高阶梯度以及一个条件生成图神经网络初始化的学习图签名函数,可以在少量训练数据的情况下快速适应新图,并在收敛时获得更好的结果。
Dec, 2019
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
本研究提出了一种可训练的子图检索器(SR),它与后续的推理过程分离,可增强任何以子图为导向的 KBQA 模型,并通过弱监督的预训练以及端到端的微调,与 NSM 组合成为新的基于嵌入的 KBQA 方法的最新的最先进的表现。
Feb, 2022
本文提出基于 Connection Subgraph Reasoner 的 few-shot knowledge graph completion 方法,通过建模支持三元组和预测三元组之间的共享连接子图,实现直接针对目标 few-shot 任务的预测。而无需事先在人类策划的训练任务集中进行预训练,该方法在真实知识图谱上的实验表明其效果明显优于现有方法。
Oct, 2022
Few-shot Knowledge Graph Relational Reasoning has become increasingly important in natural language processing applications, and SAFER presents a novel approach to effectively adapt contextualized graph information to perform prediction, demonstrating its superiority in experimental results.
Jun, 2024
本文提出一种针对时间知识图谱的 few-shot learning 模型,通过时间关系建模,实现了在单样本情况下,对时间知识图谱进行关系预测
May, 2022
本研究基于 Meta Relational Learning 框架,针对在知识图谱上进行少样本关系预测的挑战,通过转移关系特异的元信息来实现优化学习,最终在少样本关系预测基准测试中取得了最先进的成果。
Sep, 2019
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