Jun, 2024

查询增强的适应性语义路径推理用于归纳式知识图谱补全

PDF
TL;DR本文提出了 Query-Enhanced Adaptive Semantic Path Reasoning (QASPR) 框架，同时捕捉知识图谱的结构和语义信息，以增强归纳式知识图谱完成任务。QASPR 通过使用查询依赖的掩蔽模块自适应地掩蔽噪声结构信息并保留与目标密切相关的重要信息。此外，QASPR 引入了一个全局语义评分模块，评估知识图谱中推理路径上节点的个体贡献和集体影响。实验结果表明，QASPR 实现了最先进的性能。
发现论文，激发创造
  • 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

  • 为归纳式知识图谱补全构建更好的基准数据集

    通过提出一种新的策略构建归纳性的知识图谱补全（Knowledge Graph Completion，KGC）数据集，此策略有助于缓解 Personalized PageRank（PPR）的缺陷，进而使用这些数据集评估了多种常见方法的性能，促进了对归纳性 KGC 的能力和挑战的更好理解。

    Jun, 2024

  • 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

  • PipeNet：基于语义修剪的知识图谱问答

    通过引入显式的知识图谱可以改善问答系统，本研究提出了一种基于实体节点定位、剪枝和推理的流程以提高图推理的效率，并采用图注意力网络进行子图数据的推理。在 CommonsenseQA 和 OpenBookQA 上的实验结果证明了方法的有效性。

    Jan, 2024

  • 基于层次化查询图生成的知识图谱复杂问题回答：概述和填写

    本文提出了一种基于 AQG（一种统一的图形文法）的端到端模型，由高级解码生成用于约束搜索空间的 AQG 和底级解码构造查询图，旨在优化查询图构建过程，提高在复杂 KGQA 基准测试中的表现。

    Nov, 2021

  • 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

  • 多跳知识库问答的子图检索增强模型

    本研究提出了一种可训练的子图检索器（SR），它与后续的推理过程分离，可增强任何以子图为导向的 KBQA 模型，并通过弱监督的预训练以及端到端的微调，与 NSM 组合成为新的基于嵌入的 KBQA 方法的最新的最先进的表现。

    Feb, 2022

  • 归纳逻辑查询答案的 Prompt-fused 框架

    我们提出了一个名为 Pro-QE 的查询感知提示融合框架，它可以通过上下文信息聚合来融合现有查询嵌入方法并处理新出现实体的嵌入问题。实验证明我们的模型成功地处理了逻辑查询中的未知实体问题。

    Mar, 2024

  • 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