对比即记忆：语义邻居检索增强的归纳式多模态知识图谱补全

SIGIRJul, 2024

对比即记忆：语义邻居检索增强的归纳式多模态知识图谱补全

Contrast then Memorize: Semantic Neighbor Retrieval-Enhanced Inductive Multimodal Knowledge Graph Completion

Yu Zhao, Ying Zhang, Baohang Zhou, Xinying Qian, Kehui Song...

TL;DR提出了一种基于语义邻居检索增强的归纳式多模态知识图谱补全框架 CMR，通过对多模态查询实体对的文本 - 视觉和文本 - 文本相关性进行统一的交叉模态对比学习，增加有助于语义邻居的相似性，然后显式记忆知识表示以支持语义邻居检索，并在测试时通过插值将最近的语义邻居与查询实体的相似性分布相结合以增强最终预测，实验证明了 CMR 在三个归纳式多模态知识图谱补全数据集上的有效性。

Abstract

A large number of studies have emerged for Multimodal Knowledge Graph Completion (MKGC) to predict the missing links in MKGs. However, fewer studies have been proposed to study the inductive mkgc (IMKGC) involving emerging entities unseen during training. Existing inductive approaches

multimodal knowledge graph completion inductive mkgc semantic neighbor retrieval contrastive learning cmr framework

发现论文，激发创造

SimKGC：简单的基于对比的预训练语言模型知识图谱补全

通过引入三种不同类型的负例并结合 InfoNCE Loss，提出了一种名为 SimKGC 的模型，实现了高效的自然语言文本推理知识图谱补全，并在多个基准数据集上取得了比基于图嵌入的方法更好的效果。

Mar, 2022

基于多层交叉视图对比学习的知识感知推荐系统

本文提出了一种新的多层交叉视角对比学习机制 MCCLK，包含三个图视角：全局结构视角、本地合作和语义视角，在语义视角中，还提出了一个 k 最近邻（kNN）项 - 项语义图构建模块，以捕捉通常被忽略的重要项 - 项语义关系，在三个基准数据集上进行了广泛的实验，结果表明了我们的方法优于现有技术。

Apr, 2022

混合模态知识专家用于鲁棒的多模态知识图补全

多模态知识图谱补全 (MMKGC) 旨在通过协同建模大量三元组中隐藏的结构信息和实体的多模态特征，自动发现给定的多模态知识图谱中的新知识三元组。我们引入了一种新颖的 MMKGC 框架，即混合模态知识专家 (MoMoK)，来学习在复杂关系环境下自适应的多模态嵌入。通过设计关系指导的模态知识专家来获取关系感知的模态嵌入，并整合多模态的预测结果以实现全面的决策。此外，通过最小化它们的互信息来解开这些专家之间的联系。在四个公开的 MMKG 基准上的实验证明了 MoMoK 在复杂情境下的出色性能。

May, 2024

知识图谱对比学习用于推荐

提出了一种知识图谱对比学习的框架 (KGCL)，该框架通过知识图谱增强模式减少了噪声，利用交叉视图对比学习技术进一步抑制了噪声，实现了在稀疏、长尾和有噪声的知识图谱场景下的强大性能。

May, 2022

对短文本匹配模型进行对比学习增强的知识加强模型

本文提出了一个结合对比学习和外部知识的短文本匹配模型，使用生成模型构建补全句子，利用对比学习方法获得更加语义化的编码，使用关键词与知识库相结合构建知识图谱，通过的实验证明了该模型在两个中文文本匹配数据集上达到了最佳表现。

Apr, 2023

基于上下文和知识图谱的动态表示

本文提出了一种名为 CKG 的动态表示方法，利用外部知识图谱中的实体信息来提高语言句子的正确语义，实验表明，CKG 在多项任务中达到了最优结果。

Dec, 2022

使用预训练多模态 Transformer 和双负采样完成知识图谱补全

提出了一个基于 VisualBERT 的增强型知识图谱补全模型 (VBKGC)，其采用了双胞胎负采样策略，能够捕捉基于嵌入的多模态信息并将其集成到 KGC 模型中，具有优秀的链路预测任务表现。

Sep, 2022

联合多语言知识图谱补全与对齐

本文提出了一种联合完成和对齐知识图谱的模型，使用关系感知图神经网络编码多跳邻域结构，并利用结构不一致性降低机制将完成信息融入对齐组件，采用对齐种子扩展和三元组转移机制，实验结果表明该模型在多语言知识图谱对齐和完成任务上取得了最佳结果。

Oct, 2022

通过记忆推理：最近邻居知识图嵌入

本文提出了通过预训练语言模型和 k 近邻的知识图谱嵌入新方法 kNN-KGE，使得 rare 或 emerging entities 更容易被显式地存储，而非隐式存在于模型参数中，实验证明该方法可提高归纳式和传导式链接预测结果，并在只有很少的三元组的低资源情况下获得更好的性能。

Jan, 2022

多模态知识图谱下的多模态推理

提出了一种利用多模态知识图 (MMKGs) 进行多模态推理的方法 (MR-MKG)，通过利用多模态知识图 (MMKGs) 跨模态地学习丰富的语义知识，显著提高了大型语言模型 (LLMs) 在多模态推理中的能力。通过在仅使用 LLM 参数的 2.25% 进行训练，MR-MKG 在多模态问答和多模态类比推理任务上取得了优越的性能，胜过了之前的最新模型。

Jun, 2024