提出了一种基于知识图谱和实体关系子图的文档丰富方法,通过新的组合优化问题求解算法实现了紧凑、具有代表性和相关性的 ERG,利用本体知识对 ERG 进行排序,实现了在有效丰富的同时保证了相关性和紧凑性。
May, 2020
该研究论文介绍了知识图谱在信息抽取方法中的应用,探讨了表示学习和图神经网络在知识图谱完成中的作用,以及如何利用知识图谱在下游任务中预测缺失的链接。
Aug, 2022
提出了一种利用 RDF2vec 不同图形遍历策略和实体的文本描述来进行实体打标的新方法(GRAND)。实验表明,引入上下文信息的方式和生成图行走序列的策略对于实体打标在 KG 中有重要影响。该方法在 DBpedia 和 FIGER 基准数据集上,对于精细和粗粒度类组合都优于基线方案。
Jul, 2022
本文介绍了一个大规模、有挑战性的数据集,以促进知识图谱到文本分类的实际场景研究,同时提出了一种多图结构和聚合方法,以更全面地代表原始图信息,并成功解决信息丢失和参数爆炸的问题。
Apr, 2020
本文综合研究了知识图谱的几个方面,包括结构学习、知识获取和补全、时间知识图谱和基于知识图谱的应用,并提出了新的分类和分类法,以促进未来的研究。
Feb, 2020
本研究提出了一种利用上下文信息进行知识图谱实体类型推理的新方法,设计了两种推理机制:N2T 和 Agg2T,并提出了一种新的损失函数以减轻训练期间的误测问题。实验证明了该方法的有效性。
Sep, 2021
本文提出了一种新方法,通过共同利用现有实体类型和知识图谱中的全局三元组知识以及两个嵌入模型,推断知识图谱中缺失的实体类型实例;在真实数据集上实验结果显示,此方法和模型可以有效地提高知识图谱实体分类。
Jul, 2020
本文提出一种基于星形本体的端到端表示学习框架,从结构化和非结构化数据中提取面向实体的知识图谱,采用图神经网络创建紧凑的图形表示,并利用研究结果进行再入院预测。
May, 2023
本研究采用知识图谱来优化推荐算法,提供更加个性化的推荐解决方案,并在实验中验证了其显著的性能优势,对于领域(如电影推荐)的个性化推荐具有参考价值。
Jan, 2021
本论文提出了一种针对电子信息专业的自动化知识提取,可视化知识图谱构建和图形融合的框架,旨在通过探索学科交叉的热门知识概念,增强学习效率,提高学生对其专业各个概念和课程之间关系的全面理解,探索由人工智能实现的新教育范式。