本文提出了 OpenKI 模型，通过对 OpenIE 三元组和 Knowledge Bases（KB）的整合来处理 OpenIE 的稀疏性。该模型通过进行实例级别推理来处理未知实体，并借助聚合和关注机制在关系推理中利用其邻域中的信息。实验结果表明，该方法不仅显着提高了现有 OpenIE 提取的准确率，而且还提高了面向半结构化数据的 OpenIE 表现。

Apr, 2019

本文介绍了如何使用一组 “公理模式” 将传统本体论建模与 Wikibase 平台结合起来，以弥合范式差异，以及对历史数据进行使用指南和示例。

May, 2022

基于问题回答技术，本研究提出了一个能从网页中提取新事实并推荐给 Wikidata 编辑人员验证的框架，并通过利用 Wikidata 中已有的信息，无需额外学习信号便可训练该框架来提取各种属性和领域的新事实，实验结果表明平均 F1 得分为 84.07，在人类验证之前，有潜力提取数百万条事实，旨在帮助编辑人员的日常任务，完善 Wikidata 知识图谱。

Jan, 2024

该研究应用正式概念分析方法提取出源于 Wikidata 的易于理解的关联性，以辅助知识图谱的编辑和维护。

Feb, 2019

本研究旨在利用机器学习方法，通过增加 KNN-Based Information Fetching (KIF) 模块，将外部知识进行存储，并将其应用在 Dialog Modeling 中，以此提高自动和人类评估的模型性能。

Apr, 2020

本文提出了一种基于 SPARQL 查询的多语言语义 Web 知识库问答（QA）方法，能够查询多个知识库，可轻松移植到其他知识库和语言。通过对五个不同的知识库和五种语言的评估，证明了该方法的影响。

Mar, 2018

该研究描述了 KnowledgeHub 工具，一种科学文献信息提取和问题回答的流程，通过支持将 PDF 文档转换为文本和结构化表示，以构建本体论，并使用基于浏览器的注释工具对 PDF 文档的内容进行注释，然后通过训练命名实体识别和关系分类模型来构建知识图谱，结合大型语言模型进行问题回答和摘要生成，支持用户全面了解知识发现流程。

May, 2024

本文提出了 KGQAn，一个通用的 QA 系统，它不需要为每个目标 KG 进行定制，而是采用一种新颖的形式化方法将问题理解为一个文本生成问题，并通过神经序列到序列模型将问题转换为中间抽象表示。我们还开发了一个即时链接器，在查询时间使用 RDF 存储的公共可访问 API 和现有索引将抽象表示映射到特定 KG 的 SPARQL 查询，而无需任何预处理。我们在几个真实的 KG 上进行的实验表明，KGQAn 易于部署，对于任意的 KG 表现良好，优于现有的 QA 系统。

Mar, 2023

本文提出一种系统，展示了在知识密集型语言任务（如插槽填充、开放领域问答、对话和事实检查）上训练的最新最先进的检索增强生成模型的能力，并展示了如何将不同模型的输出组合起来相互交叉验证，特别是展示了如何使用问答模型提高对话准确性。此外，我们会作为本文的贡献发布所有用于演示的模型。

Apr, 2022

本文介绍 KGTK 工具集，它是一个数据科学中心化的工具集，旨在表示、创建、转换、增强和分析知识图谱。通过以表格形式表示图形并利用为数据科学应用程序开发的流行库，可以让更广泛的开发人员轻松构建其应用程序的知识图管道。

May, 2020