Jun, 2024

基于子图适应的少样本知识图谱关系推理

PDF
TL;DRFew-shot Knowledge Graph Relational Reasoning has become increasingly important in natural language processing applications, and SAFER presents a novel approach to effectively adapt contextualized graph information to perform prediction, demonstrating its superiority in experimental results.
few-shot knowledge graphrelational reasoningkgsedge-mask-based methodssafer
发现论文，激发创造
  • 基于连接子图预训练的少样本关系推理

    本文提出基于 Connection Subgraph Reasoner 的 few-shot knowledge graph completion 方法，通过建模支持三元组和预测三元组之间的共享连接子图，实现直接针对目标 few-shot 任务的预测。而无需事先在人类策划的训练任务集中进行预训练，该方法在真实知识图谱上的实验表明其效果明显优于现有方法。

    Oct, 2022

  • 适配元知识图谱信息以进行少样本关系的多跳推理

    本文提出了一种元学习式的多跳知识图谱（KG）推理方法（Meta-KGR），适用于少样本关系中的查询回答（QA）任务，通过学习适应于不同关系的元参数，提高模型的推理能力，实验表明，在 Freebase 和 NELL 数据集上，Meta-KGR 在少样本场景下优于现有技术方法。

    Aug, 2019

  • 知识图谱的单次关系学习

    本文提出了一种基于嵌入模型的一次性关系学习框架，将已有的知识和一跳图结构相结合，来预测在只有一个训练样例的情况下的新事实，并通过实验证明，在新关系预测和嵌入模型训练上，该模型具有巨大的性能优势。

    Aug, 2018

  • 少样本知识图谱补全

    本论文提出了一个新的模型，即 FSRL 模型，在少量有参考的情况下学习新关系，可以更有效地从异构图结构中获取知识，并匹配每个关系的参考集中的相似实体对。实验结果表明，该模型优于现有的最先进的模型。

    Nov, 2019

  • 知识图谱中的少量样本链接预测的元关系学习

    本研究基于 Meta Relational Learning 框架，针对在知识图谱上进行少样本关系预测的挑战，通过转移关系特异的元信息来实现优化学习，最终在少样本关系预测基准测试中取得了最先进的成果。

    Sep, 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

  • 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

  • 为少样本知识图谱补全学习关系特定表示

    本文提出了一种关系特定的上下文学习框架，通过提取图上的上下文信息和设计分层注意力网络和注意力池化器，可以全局和局部地学习表示来进行 FKGC 任务，实验结果证明了其优于现有的方法。

    Mar, 2022

  • 学习一次关系的元表示，用于时态知识图谱链接预测

    本文提出一种针对时间知识图谱的 few-shot learning 模型，通过时间关系建模，实现了在单样本情况下，对时间知识图谱进行关系预测

    May, 2022

  • 超越三元组：上下文知识图表示与推理

    本文介绍了知识图谱（KGs）以及其与关系知识的上下文信息的整合，重点讨论了基于三元组的 KGs 存在的局限性和上下文 KGs 的优势，并提出了 KGR$^3$，一个利用大型语言模型（LLMs）进行 KG 推理的范例，实验证明 KGR$^3$ 显著提高了 KG 补全和 KG 问答任务的性能，验证了将上下文信息整合到 KG 表示和推理中的有效性。

    Jun, 2024