- RaTEScore: 放射学报告生成的度量标准
该研究介绍了一种名为 Radiological Report Evaluation (RaTEScore) 的新型、面向实体的度量标准，用于评估由人工智能模型生成的医学报告的质量。RaTEScore 强调诊断结果和解剖细节等重要医学实体，并 - COLING基于知识图谱的语义对比学习改进内容推荐：多样性和冷启动用户
我们提出了一种混合多任务学习方法，通过对描述性文本进行基于物品的对比学习，从而更好地理解知识图谱中的实体关系，提供更准确、相关、多样化的用户推荐，特别对有限物品交互的冷启动用户也能发挥作用。我们在两个广泛使用的数据集上进行了大量实验，验证了 - ConvD：增强动态卷积嵌入的知识图谱补全
本文提出了一种新颖的动态卷积嵌入模型 ConvD，用于知识图谱补全，并通过将关系嵌入重塑为多个内部卷积核，改善传统卷积嵌入模型的外部卷积核，有效增强了关系嵌入与实体嵌入之间的特征交互，进一步提高了模型的表达能力。通过广泛的实验证明，我们提出 - MoCoSA: 基于动量对比的结构增强预训练语言模型用于知识图谱补全
该研究提出了一种基于结构增强的预训练语言模型（MoCoSA）的动能对比方法，用于知识图谱完成，通过可适应的结构编码器使预训练语言模型能感知结构信息，并使用惯性难负采样和内部关系负采样提高学习效率。实验结果表明，该方法在平均倒数排名（MRR） - 社交世界知识：建模与应用
本文提出了一种从社交网络中提取实体向量的框架 ——SocialVec，并将其应用于衡量新闻来源的政治偏向和预测个人特质两项任务中，展示了比基线方法优越或有竞争力的表现。
- EnCore: 使用共指链预训练实体编码器
本文提出使用共指链作为一种额外的监督信号，在细颗粒实体类型识别的领域中，使用预训练策略可以提高最先进的技术水平。
- 辅助实体的语言模型用于识别值得检查的句子
提出了一种新的文本分类和排序框架，该框架可以自动化地识别政治辩论和演讲文本中值得核查的句子，这种框架结合了句子的语义分析和通过句子中已识别的实体获得的额外实体嵌入，使用五种不同的语言模型、六种不同的知识图谱嵌入模型以及两种组合方法实例化，然 - EMNLPGrape: 基于知识图谱的阅读器，用于开放域问答
针对开放领域问答模型的检索 - 阅读器管道方法容易出现阅读器性能较差的问题，本研究提出了一种基于知识图谱的阅读器，即 Grape，并通过构建本地二分图，采用图神经网络来学习关系知识，并将图和上下文表示融合到阅读器模型的隐藏状态中，实验表明这 - Ered: 充分考虑实体与描述的文本增强表示
本文研究了在 fine-tuning 阶段明确地包含实体和实体描述的方法，并使用知识模块以及辅助任务来平滑不同层次表示之间的语义差距，并在四个知识相关任务和两个通用任务上实验，取得了新的最优结果。
- 多模式学习基于注意力机制的知识图谱关系预测
本文提出了一种基于注意力机制、利用传递路径信息和局部语义的多模式嵌入模型（ÆMP），用于学习知识图谱中实体和关系的语境化表示，并在多个知识图谱基准上获得了大幅度的预测性能提升。
- 基于对偶的正则化器用于语义匹配知识图谱嵌入
本文提出了一种新型约束策略：由原始语义匹配 KGE 模型得到一个存在的与之关联的距离型 KGE 模型，将其用作实体嵌入的约束，使得语义相似的实体具有相似的嵌入，并在静态和时间知识图上显著提高了现有语义匹配模型的性能。
- EMNLP隐私保护关系嵌入聚合：基于知识图谱的高效联邦学习
本文在研究多源知识图上应用联邦学习时提出了一种新的隐私攻击方法，进而提出了一种能够保障数据隐私的联邦学习模型，该模型使用关系嵌入聚合来显著降低通信成本并提高隐私保护效果以及通信效率。
- AAAITempoQR: 在知识图谱上进行时间问题推理
本文提出了一种基于嵌入感知的方法，名为 'Temporal Question Reasoning' (TempoQR)，用于回答复杂的基于时间的知识图谱问答。实验表明，TempoQR 在复杂的时间问题上比现有的先进方法提高了 25-45 个 - ACL通过语义加强实体嵌入来提高实体链接
文章提出了简单且有效的 FGS2EE 方法，通过将语义类型词的嵌入与现有实体嵌入进行线性聚合，注入了细粒度的语义信息进入实体嵌入，以减少其鲜明性并便于上下文语境学习。实验证明，这种嵌入方法在实体链接任务中表现优于先前的方法，并取得了新的最佳 - COLINGCoLAKE: 上下文化语言与知识嵌入
本文提出的 CoLAKE 是一种基于预训练语言模型的的语言和知识情境化嵌入方法，可以提取一个实体的知识上下文并将其整合到一个统一的数据结构中，在知识驱动的任务、知识探测任务和语言理解任务中表现出优良性能。
- EMNLP知识图谱中的结构感知负采样
该文提出了一种利用图结构进行负采样的方法，名为结构感知负采样 (SANS)，实验证明 SANS 不仅具有与 SOTA 方法相媲美的性能，而且不需要额外的参数或困难的对抗优化。
- 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 - ICML消息传递查询嵌入
本文提出了一种基于图神经网络对查询进行编码的通用架构，与现有方法相比，该方法可以编码更多种类型的查询。实验结果表明，该模型可以学习到表示实体类型的实体嵌入，并在复杂查询方面表现优异。
- CoKE: 上下文化的知识图谱嵌入
本文提出了考虑知识图谱中实体和关系的上下文特性的全新范例 Contextualized Knowledge Graph Embedding (CoKE)，它采用 Transformer 编码器以从实体和关系序列中获取语境化表示，并在广泛的公 - AAAIInteractE: 通过增加特征交互来改进基于卷积的知识图谱嵌入
本文提出 InteractE 方法，通过增加特征间的交互来提高链接预测性能，并在 FB15k-237、WN18RR 和 YAGO3-10 数据集上取得了优异的表现，相较于 ConvE，InteractE 在 FB15k-237、WN18RR