- ACLKnowLA: 提升参数高效微调与专业适应性
通过将知识图嵌入到大型语言模型中,我们提出了一种名为 KnowLA 的知识适应方法,该方法通过在语言模型中插入适应层,将文本中出现的实体的嵌入融入到语言模型中,并与 LoRA 一起进行训练。实验结果表明 KnowLA 的有效性和鲁棒性,能够 - ACL知识图谱嵌入的反事实推理
通过新任务 CFKGR,本文将知识图嵌入(KGEs)与反事实推理关联起来,通过逻辑规则从知识图推断出合理的变化,建立了相应的基准数据集,并开发了 COULDD 方法来适应假设前提。结果表明,KGEs 可以学习图中的模式,与 COULDD 相 - BloomGML: 透过双层优化镜头看图机器学习
双层优化是指将下层能量函数的最优解作为上层感兴趣的目标的输入特征。本文说明了一系列图学习技术可以被重新解释为双层优化的特殊情况或简化形式,并提出了更灵活的能量函数类,形成图神经网络的消息传递层。此外,本文探索了与非图神经网络图学习方法的密切 - 将知识图嵌入退化的 Clifford 代数
在知识图嵌入中,提出了使用二次零指数的 nilpotent base 向量的 Clifford 代数 $Cl_{p,q,r}$ 来捕捉实体嵌入的无高阶相互作用的模式,设计了两种新的模型来发现参数 $p$、$q$ 和 $r$,评估结果表明,n - 使用八角嵌入捕获知识图谱和规则
基于地区的知识图谱嵌入将关系表示为几何区域,通过明确捕捉模型所涵盖的规则,能够简单地整合先前知识和检查学习模型。然而,现有方法在建模关系合成能力以及规则建模能力上存在严重限制,无法实现基于区域模型的主要承诺。为了解决这些局限性,我们研究了由 - 知识图谱嵌入的分块对角正交关系与矩阵实体
通过使用矩阵表示实体和使用黎曼优化获得分块对角正交矩阵表示关系,我们引入了一种新颖的知识图谱嵌入模型 OrthogonalE,提高了模型的泛化性和灵活性,显著优于现有最先进的知识图谱嵌入模型,并大幅减少了关系参数的数量。
- KGEx: 通过子图采样和知识蒸馏解释知识图谱嵌入
KGEx 是一种新颖的后处理方法,通过借鉴替代模型研究来解释知识图嵌入(KGE)中的个别链接预测,并通过训练替代 KGE 模型识别重要的训练三元组,从而提供对于黑盒模型忠实的解释。
- 知识图谱嵌入的通用预处理操作
本文提出了一组通用预处理算子,可以用于将具有数字、时间、文本和图像信息的知识图谱转换为任何方法可嵌入的形式。在 kgbench 数据集上,使用三种不同的嵌入方法进行实验,结果显示出良好的效果。
- 简单规则注入用于 ComplEx 嵌入
本文介绍了一种名为 InjEx 的机制,通过简单限制来注入多种类型的规则,以将可解释的先验知识融入嵌入空间,实验结果表明 InjEx 在知识图谱补全和少样本知识图谱补全设置中优于基准模型和专门的少样本模型,并且保持了可扩展性和效率。
- 用于生物医学知识图谱的基准数据集和负面陈述
知识图谱中的负面陈述可以改善知识图谱嵌入的性能,并提供用于负面陈述的基准数据集。
- Concept2Box: 学习两视图知识图谱的联合几何嵌入
Concept2Box 提出了一种新方法,它使用双重几何表示技术联合嵌入了一个 KG 的两个视图:本体视图概念和实例视图实体。这种方法使用盒形嵌入来模拟概念,并使用向量来模拟实体,并提出了一种新的向量到盒形距离度量方法。
- 利用知识图谱嵌入增强关系抽取的上下文表示
本论文使用预训练的知识图谱嵌入模型,结合文本语料库的句子级上下文表示,实现了较高性能的关系抽取模型,并通过实验验证了该方法的有效性和出色性能。
- 探究硬负样本分布对对比知识图谱嵌入的影响
本文探讨了知识图谱嵌入的关键问题,并提出了使用 Hardness and Structure-aware(HaSa)对抗性 KGE 算法与负样本分布来消除误分类三元组,从而在 WN18RR 和 FB15k-237 数据集上优于现有的 KGE - 利用逻辑知识增强生物医学数据的嵌入表示
本研究探讨在生物医学领域的知识图谱中,如何通过引入逻辑规则来增强知识图谱嵌入表示,提高关系建模的效果。具体地,采用关系推理网络(R2N)作为知识图谱嵌入技术的补充,在 PharmKG 数据集上进行对比实验,并进行消融分析。结果表明,该方法显 - 使用知识图谱嵌入和语言模型进行生物医学多跳问答
这篇研究论文探讨了如何使用自然语言问答,相结合的语言模型和 KG 嵌入来回答生物学家们所提出的一系列自由形式的问题,其 KG 数据集来源于 Hetionet,并利用该数据集创建一个多跳生物医学问答数据集以测试多跳生物医学问答系统。
- KRACL: 基于图上下文建模的对比学习用于稀疏知识图谱补全
通过图上下文和对比学习,提出了一种新的知识图谱完成框架 KRACL,包括 Knowledge Relational Attention Network 和知识对比损失,能够有效地解决知识图谱中低出现频率实体的稀疏性和噪声三元组的鲁棒性问题。 - 超几何分层知识图谱嵌入的低维链接预测
本文提出了一种新颖的基于注意力的可学习曲率超几何分层知识图嵌入模型(HypHKGE),以在超几何空间中有效地建模知识图中的语义层次结构,并在低维度下表现出色,特别是在链接预测方面。
- 通过嵌入空间的绝对定向进行本体匹配
本文基于知识图谱嵌入探索了一种新的基于结构的映射方法,并使用合成和真实数据集进行了初步评估,结果表明,该方法对相似结构的图形具有很好的处理能力,可优于处理本体的大小和结构差异的对齐噪声。
- 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。
- 基于几何代数嵌入的静态和时态知识图完成
本论文使用几何代数和张量分解提出了一种新的知识图谱表示学习方法 GeomE 和 TGeomE,用于解决深度学习中的时序数据问题。结果表明,该方法在四个常用的静态 KG 数据集和四个知名的时间 KG 数据集上实现了最先进的性能。