Jun, 2024

通过关系网络进行归纳式知识图谱补全的逻辑推理

PDF
TL;DR针对归纳性知识图谱补全（KGC）的问题，我们提出了一种新颖的 iNfOmax RelAtion Network（NORAN），旨在挖掘适用于归纳性 KGC 的潜在关系模式，实验结果表明我们的框架在五个基准测试中显著优于现有的 KGC 方法。
inductive knowledge graph completionmessage passingdata sparsitycold-start probleminfomax relation network
发现论文，激发创造
  • 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

  • 知识图谱中的归纳逻辑查询回答

    研究使用图神经网络的归纳节点和关系结构表征方法对知识图谱中的新实体进行逻辑推理的方法，并实验发现归纳模型能够在推理时间内对未见节点进行推理，同时可以推广至训练天数 500％大的图表，表现出较高效率和效果平衡的特点。

    Oct, 2022

  • 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

  • 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

  • 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

  • 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

  • 基于子图推理的归纳关系预测

    提出了一种基于图神经网络的关系预测框架 GraIL，该框架可以推理本地子图结构并具有强的归纳偏差来学习独立于实体的关系语义。与基于嵌入的模型不同，GraIL 是自然归纳的，并且可以在训练后推广到未看到的实体和图形。在归纳设置中，GraIL 优于现有的规则归纳基线。

    Nov, 2019

  • 认知知识图谱推理与一次关系学习

    本文提出了一种基于认知图的一次性知识图谱推理方法 CogKR，该方法在一次或少量训练实例的情况下可以推断出原始知识图谱中未见过的关系类型，实验表明该方法在 one-shot KG reasoning benchmark 上相对改进了 24.3%-29.7%。

    Jun, 2019

  • 基于归纳学习的常识知识图谱补全

    本论文提出了一种名为 InductivE 的学习框架，旨在解决 Commonsense Knowledge Graph（CKG）完成中可能出现的未见过实体的问题，该框架直接从原始实体属性 / 文本计算实体嵌入，并由一个自由文本编码器、一个图编码器和一个 KG 完成解码器组成。实验证明，InductivE 在 ATOMIC 和 ConceptNet 基准测试中都显著优于现有基线方法。

    Sep, 2020

  • 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