Jun, 2024

LinkLogic: 透明的知识图谱预测的新方法和基准测试

PDF
TL;DR该研究提出了一种名为 LinkLogic 的简单连接预测解释方法，并构建了第一个基于家族结构的连接预测解释基准，以定量和定性评估生成的解释的忠实度、选择性和相关性。
link predictionknowledge graphsexplanation systemslinklogicprediction benchmark
发现论文，激发创造
  • TLogic: 基于时间知识图谱的可解释链接预测的时间逻辑规则

    TLogic 是一个可解释的框架，它基于通过时间随机游走提取的时间逻辑规则，用于处理时间知识图中的链接预测。与现有技术相比，在具有共同词汇表的相关数据集上，TLogic 能够更好地解释和推理，并提供更好的综合性能。

    Dec, 2021

  • 评估图神经网络的链接预测解释

    本文提出了衡量链接预测解释质量的定量指标，通过使用这些指标对图神经网络的最先进可解释性方法进行评估，讨论了底层假设和特定于链接预测任务的技术细节对解释质量的影响。

    Aug, 2023

  • xLP：用于主数据管理的可解释链接预测

    展示用于链接预测的解释性解决方案，让用户选择更舒适的解释。

    Mar, 2024

  • 自解释图神经网络用于链路预测

    本文提出一种自我可解释的 GNN 框架，可以同时给出精确的预测和解释，通过找到一个节点的各种 $k$ 个重要邻居，为该节点到其他节点的链接学习对特定的表示，从而得出解释。

    May, 2023

  • 知识图谱嵌入用于链接预测：一项比较分析

    该研究比较短缺实际的现有图谱的 16 种最新方法的有效性和效率，并考虑到一种基于规则的基线，提出了具有可扩展性的维度以评估嵌入 LP 方法的介绍。

    Feb, 2020

  • 可解释的时间知识图谱推理用于未来链接预测

    提出了一种基于关系注意力机制和反向表示更新策略的时间动态知识图谱链接预测框架，构建查询相关子图来预测图结构中未来的连接情况，具有更好的解释性和推荐准确率。

    Dec, 2020

  • 逻辑规则支持的知识图谱嵌入

    该论文提出了一种新的逻辑规则增强的知识图谱嵌入方法，可以与任何基于转换的知识图谱嵌入模型（如 TransE）轻松集成。经过广泛的实验，在链接预测和三元组分类上显示出更好的性能提升。

    Mar, 2019

  • 在知识图谱上嵌入逻辑查询

    本研究提出了一种基于低维嵌入空间中的几何运算来有效处理知识图谱中逻辑查询的框架，能够在处理复杂查询时提高时间复杂度，这种方法应用于真实世界数据中能够提供有用的预测能力。

    Jun, 2018

  • 通过学习的概念逻辑组合来实现 GNN 的全球可解释性

    GLGExplainer 是一种全局解释器，它能够生成作为图形概念逻辑公式的本地解释的任意布尔组合，从而提供准确和人类可解释的全局解释，这使得 GLGExplainer 成为有前途的用于学习 GNN 的诊断工具。

    Oct, 2022

  • 知识图谱大规模语言模型（KG-LLM）用于链接预测

    通过使用链式思维促进和上下文学习，该研究介绍了一种新方法，即知识图大型语言模型框架（KG-LLM），以提高知识图中多跳链接预测的效果。实验证明，集成上下文学习和链式思维不仅增加了方法的性能，而且显著提高了模型的泛化能力，从而在陌生情境中实现更准确的预测。

    Mar, 2024