Apr, 2024

逐步增强的知识图谱补全

PDF
TL;DR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。
发现论文，激发创造
  • 时间知识图谱补全：综述

    本研究首次总结了时间知识图补全方法的研究进展，包括背景、基准数据集、评估指标以及现有方法，旨在解决静态知识图补全方法的不准确问题。未来的研究方向也在文章中提出。

    Jan, 2022

  • 知识图谱补全方法的重新评估

    本文旨在探讨在大型知识图谱中自动预测缺失链接的 KGC 技术，针对最近几篇高水平论文达到的高性能，提出了一个简单的评估协议来解决模型偏差的问题，并使用该协议对几种现有方法进行了广泛的实验，同时公开了可复现的代码。

    Nov, 2019

  • 知识图谱完善：基于知识检索和阅读理解的方法

    该研究提出一种基于信息检索和阅读理解的知识图谱自动完成模型，在实验中发现该模型可以很好地解决无法从现有知识中推断的关系，并在多个知识图谱自动完成数据集上取得良好结果。

    Oct, 2022

  • 基于大型语言模型的多角度知识图谱补全方法改进

    MPIKGC 是一个通用框架，利用大型语言模型从不同的角度查询以补偿环境化知识的不足，改进了基于描述的知识图补全方法，扩展了实体描述，理解关系，并提取结构，通过四种基于描述的知识图补全模型和四个数据集进行了广泛评估，适用于链接预测和三元组分类任务。

    Mar, 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

  • Few-shot 知识图谱补全中的结构和常识知识调查

    本研究通过对少样本知识图谱自动补全任务的学习方法、任务应用、以及未来研究领域的调查和总结，提出了一种使用图形表示学习和少样本学习优势的 FKGC 方法，以期解决常规 KG 和 CKG 补全任务中长尾关系及新关系的问题，并在不同领域的预测任务中应用 FKGC 模型。

    Jan, 2023

  • 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

  • 关于时间知识图谱补全的调查：分类，进展和前景

    时间知识图谱的时序特性在学术界和工业界中具有重要意义，然而，由于新知识的不断涌现、从非结构化数据中提取结构化信息的算法的薄弱性以及源数据集中信息的缺乏，时间知识图谱往往存在不完整性。因此，基于已有信息预测缺失项的任务 —— 时间知识图谱补全引起了越来越多的关注。本文综述了时间知识图谱补全方法及其细节，并包含三个主要组成部分：1）背景，涵盖了时间知识图谱补全方法的基础知识，训练所需的损失函数，以及数据集和评估协议；2）内插，通过相关可用信息估计和预测缺失元素或元素集合，进一步根据处理时间信息的方式对相关时间知识图谱补全方法进行分类；3）外推，主要关注连续时间知识图谱，并预测未来事件，然后根据所使用的算法对所有外推方法进行分类。我们进一步指出了挑战并讨论了时间知识图谱补全的未来研究方向。

    Aug, 2023

  • 利用相互知识蒸馏的集体知识图谱补全

    本文介绍了一种名为 CKGC-CKD 的新方法，通过使用关系感知图卷积网络编码模型在集成的知识图谱和各自的知识图谱上进行训练，以最大程度地利用来自不同知识图谱的集体知识，从而缓解了个体知识图谱的不完整性，并通过相互知识蒸馏机制来进行知识传递，在多语言数据集上取得了比所有先进模型更好的知识图谱完成结果。

    May, 2023

  • 多层共享知识引导的知识图谱补全学习

    利用多级共享知识指导学习方法（SKG）在数据集级别通过文本摘要识别实体集合内的共享特征，而在任务级别则利用动态调整的损失权重提出了一种创新的多任务学习架构，有效缓解了子任务间知识共享不均衡的问题。实验证明 SKG-KGC 在三个知名数据集上显著优于现有基于文本的方法，尤其在 WN18RR 数据集上取得了显著提升。

    May, 2024