- 从零开始:自动知识图谱补全的三元组预测
本研究提出了一种新的图级自动知识图谱补全任务,称为三元组集合预测(TSP),该任务旨在预测给定一组已知三元组的一组缺失三元组。为了评估这一新任务,我们提出了 4 个评估指标,包括 3 个分类指标和 1 个排序指标,并考虑了部分开放世界和封闭 - 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 - 利用基于区域的图神经网络进行知识图谱的可微分推理
在这篇论文中,我们提出了一种基于顺序约束的简单模型 RESHUFFLE,能够比现有方法更好地捕捉规则,同时在我们的框架中嵌入可以通过可微分的图神经网络(GNN)进行学习,从而具有更高的效率。
- 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 - 评估 LLMs 用于知识图谱补全的适用性
大型语言模型 (LLMs) 能够解决与知识图谱相关的任务,如知识图谱补全,尤其在零次或少次训练的范式下。然而,它们被称为会产生错误的答案,或以不确定的方式输出结果,从而导致错误推理的回答,即使它们满足用户的需求。为了强调知识图谱相关任务中的 - COLING赋能小规模知识图谱:利用通用知识图谱实现丰富的嵌入策略
通过将小规模专业领域知识图谱与已建立的通用知识图谱进行关联,我们提出了一个框架来丰富领域特定知识图谱的嵌入,以应对大规模知识密集型任务中存在的挑战。实验评估表明,通过与大规模通用知识图谱的链接,采用我们的方法可以显著提升下游任务的性能,Hi - ACL多层共享知识引导的知识图谱补全学习
利用多级共享知识指导学习方法(SKG)在数据集级别通过文本摘要识别实体集合内的共享特征,而在任务级别则利用动态调整的损失权重提出了一种创新的多任务学习架构,有效缓解了子任务间知识共享不均衡的问题。实验证明 SKG-KGC 在三个知名数据集上 - 一个子图用于全部:归纳知识图谱补全中有效推理
基于全局和局部锚点表示(GLAR)学习的归纳式知识图补全方法,在开放子图上进行推理,以更高效地评估候选实体,并通过全局和局部锚点学习丰富的独立特征来解决传统方法的问题。实验证明,GLAR 优于现有大多数最先进的方法。
- CausalDisco: 使用知识图谱链接预测进行因果发现
CausalDisco 是一种将因果关系发现作为知识图谱补全问题的新方法,支持因果解释和因果预测,并通过比较多个知识图嵌入算法在模拟视频数据集上的表现,证明了使用加权因果关系能够提高因果关系发现的性能。
- 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 - 多模态知识图谱的零样本关系学习
我们提出了一个新颖的端到端框架,包含三个组成部分:多模态学习器、结构整合器和关系嵌入生成器,以整合多样化的多模态信息和知识图结构,从而促进零样本关系学习。通过对两个多模态知识图的评估结果,证明了我们提出方法的卓越性能。
- KGExplainer:面向知识图谱补全的连接子图解释探索
知识图谱补全(KGC)通过建立知识图谱嵌入(KGE)模型、探索连接子图解释方法和评估器等手段,有效改善知识图谱的不完整性问题,并在人类评估中取得了 83.3% 的最优比例。
- COLINGKC-GenRe: 基于大型语言模型的知识约束生成式重排序方法用于知识图谱补全
KC-GenRe 是一种基于 LLMs 的知识约束生成重排序方法,用于知识图谱完成任务,通过生成的 LLMs 解决了匹配问题、排序问题和遗漏问题,并取得了优于以往方法的性能。
- HDReason: 超维知识图推理的算法硬件协同设计
使用基于大脑启发的高维计算方法,本研究提出了一种高效且适合加速的知识图谱补全算法,并针对 FPGA 平台进行了一种加速框架的算法 - 硬件共同设计。与 NVIDIA RTX 4090 GPU 相比,该加速器平均实现了 10.6 倍的加速和 - COLING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 - VN 网络:嵌入新出现的实体与虚拟邻居
通过引入逻辑规则和对称路径规则,我们提出了一种名为 Virtual Neighbor(VN)网络的新框架来解决嵌入方法中的邻居稀疏问题,该网络在两个知识图完成任务上明显优于现有方法,并且对邻居稀疏问题高度稳健。
- EMNLPKICGPT:具有上下文知识的大型语言模型用于知识图谱推理
提出了一种整合了大型语言模型和三元组为基础的知识图谱完成方法,名为 KICGPT,通过使用知识提示来解决长尾问题并改进效率,而无需额外的训练和微调。
- ACL大规模语言模型的环境化蒸馏用于知识图谱补全
通过引入上下文化蒸馏策略,将大型语言模型转化为更加丰富的上下文片段,进而通过引入定制的辅助任务,使得较小的知识图谱补全模型能够吸收这些丰富的三元组,并在各种数据集和知识图谱补全技术的综合评估中展现出卓越的性能提升和适应性,这为路径选择和适当 - 基于掩码生成特征方法的逐步蒸馏用于知识图谱补全
本文提出了一种基于掩码生成特征的渐进蒸馏方法,用于知识图谱完成任务,显著降低了预训练模型的复杂性。通过对预训练模型进行预蒸馏以获取高质量的教师模型,然后压缩预训练模型网络获取多级学生模型,通过渐进蒸馏实现了从教师到学生的高效知识转移。实验结 - 社交网络知识图谱的边缘增强异常检测和信息补全
提出了一种轻量级分布式知识图谱完成架构,采用知识图谱嵌入进行数据分析,通过人员数据质量评估方法 PDQA 过滤低质量数据,并提出了一种模型修剪算法,大大减小模型大小并实现轻量级部署。通过实验,我们与其他 11 种先进模型进行了比较,结果表明