Apr, 2024

KGExplainer：面向知识图谱补全的连接子图解释探索

PDF
TL;DR知识图谱补全（KGC）通过建立知识图谱嵌入（KGE）模型、探索连接子图解释方法和评估器等手段，有效改善知识图谱的不完整性问题，并在人类评估中取得了 83.3% 的最优比例。
knowledge graph completionknowledge graph embeddingexplanation methodsconnected subgraph explanationsevaluator
发现论文，激发创造
  • KGEx: 通过子图采样和知识蒸馏解释知识图谱嵌入

    KGEx 是一种新颖的后处理方法，通过借鉴替代模型研究来解释知识图嵌入（KGE）中的个别链接预测，并通过训练替代 KGE 模型识别重要的训练三元组，从而提供对于黑盒模型忠实的解释。

    Oct, 2023

  • 基于路径的知识图谱补全解释

    GNNs 在知识图谱完成领域取得了巨大成功，但预测结果的解释并没有得到足够的关注。本研究提出了 Power-Link 方法，基于路径的 KG 解释器，在 GNN-based 模型中探索路径解释，并引入新的度量方法进行定量和定性评估，实验证明 Power-Link 在解释性、效率和可扩展性方面优于基线模型。

    Jan, 2024

  • GreenKGC：一种轻量级的知识图谱补全方法

    本文提出了一种轻量级模块化知识图谱完成 (GreenKGC) 方案，该方案包含三个模块：表示学习、特征修剪和决策学习，旨在解决在获得更好推理能力的同时保持较小的模型大小。实验结果表明，GreenKGC 可以在较小的模型尺寸下达到与高维嵌入方法相当甚至更好的性能，并且可以推广到更多任务中。

    Aug, 2022

  • 探索与利用高阶图结构用于稀疏知识图谱补全

    为应对稀疏知识图谱中存在的问题，提出一种新颖的框架 LR-GCN，在 GNN 预测器和推理路径提取器的共同作用下，使用变分 EM 算法能够自动捕捉实体之间的长程依赖性，从而提高知识图谱完成的效率。

    Jun, 2023

  • 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

  • 利用节点邻域改进知识图谱完成

    本文提出了一种通过图神经网络对实体邻域进行建模的增强型框架用于知识图谱补全，同时引入额外的边链接预测任务。评估结果表明，该框架简单且有效，并且能够做出可解释预测。

    Feb, 2023

  • 逐步增强的知识图谱补全

    在这篇论文中，我们研究了与真实世界建设场景相关的三个重要过程：验证过程，挖掘过程和训练过程，并通过整合这三个过程引入了渐进式知识图谱完成（PKGC）任务，以模拟在真实世界场景中逐步完善知识图谱的过程。此外，为了加快 PKGC 处理，我们提出了两个加速模块：优化的 Top-k 算法和语义有效性过滤器，这些模块显著提高了挖掘过程的效率。我们的实验证明链接预测的性能不能准确反映 PKGC 的性能，更深入的分析揭示了影响结果的关键因素，并为未来的研究提供了潜在的方向。

    Apr, 2024

  • 通过联合建模知识图谱和软规则进行知识推理

    本文提出了一种新的方法，通过迭代学习来注入规则并学习表示以充分利用规则和嵌入，取得了高效性和可扩展性的良好平衡，并通过两个公共数据集的评估，优于当前最先进方法，提高了均值倒数排名（MRR）2.7％和 4.3％。

    Jan, 2023

  • 利用嵌入式知识图谱进行链接预测

    本文介绍了基于嵌入式知识图谱网络的知识库完成方法，通过使用端到端反向传播训练，可以将大型知识库压缩成优化的版本，并在知识库完成基准测试中取得了最新的最佳结果。

    Nov, 2016

  • 一个子图用于全部：归纳知识图谱补全中有效推理

    基于全局和局部锚点表示（GLAR）学习的归纳式知识图补全方法，在开放子图上进行推理，以更高效地评估候选实体，并通过全局和局部锚点学习丰富的独立特征来解决传统方法的问题。实验证明，GLAR 优于现有大多数最先进的方法。

    Apr, 2024