Jun, 2024

为归纳式知识图谱补全构建更好的基准数据集

PDF
TL;DR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。
knowledge graph completioninductive settingbenchmark datasetspersonalized pagerankrelational information
发现论文，激发创造
  • 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

  • 重新审视知识图谱补全的推理基准

    这篇论文提出了一种新方法来设计知识图谱补全基准测试，并用这个方法产生了几个测试集，对现有的知识图谱补全系统进行了评估，结果提供了现有模型从不完整的知识图谱中引入推理模式的新见解。

    Jun, 2023

  • 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

    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。

    Jun, 2024

  • 从信息检索角度重新思考知识图谱完成度评估

    本文对知识图谱补全 (KGC) 评估方法的合理性进行了深入研究，发现现有的微观度量方法在面对大规模知识库的标注不足时存在问题，而宏观度量方法更为稳健，提出 TREC-style pooling 方法可以在考虑标注完整性的同时平衡人力成本，同时建议使用宏观度量来反映 KGC 任务的排名性质。

    May, 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

  • 缺失的链接是否可预测？一个知识图谱补全的推理基准

    InferWiki 是一个知识图谱完成（KGC）数据集，通过利用基于规则的训练 / 测试生成、遵循开放世界假设以及包含不同的推理模式等方法来提高推理能力和评估模型，为知识图谱推理研究提供了高质量且必要的数据集。

    Aug, 2021

  • 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

  • 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

  • 基于知识图谱的归纳链接预测公开挑战赛

    本研究提出了 ILPC 2022 数据集挑战赛，旨在为评估归纳表示学习方法提供基准测试，从而使社区在归纳图表示学习领域中进行协同努力.

    Mar, 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