- G-SAP:基于图的异构知识的常识推理结构感知提示学习
我们提出了一种用于常识推理的新型基于图结构的提示学习模型,名为 G-SAP,旨在在 LM+GNNs 模型中保持异构知识的平衡并增强跨模态的交互。通过将多个知识源整合到证据图中,采用结构感知的冻结 PLM 来完全融合来自证据图的结构化和文本信 - Sora 检测器:针对大型文字视频模型的统一幻想检测
为了解决文本到视频(T2V)生成模型中的幻觉问题,本研究引入了一种名为 SoraDetector 的新型统一框架,通过对幻觉现象的综合分析和关键帧提取技术,利用多模式大型语言模型构建静态和动态知识图,在单帧和多帧中检测幻觉,并通过自动化工具 - CleanGraph:人机互动的知识图谱优化与补全
CleanGraph 是一个交互式网络工具,旨在促进知识图谱的完善和修正,以提高图谱数据的可靠性和完整性。
- FOKE:个性化和可解释的教育框架集成基础模型、知识图谱和提示工程
通过整合大型语言模型、知识图谱和提示工程,FOKE 框架旨在革新智能教育,实现个性化、互动性和可解释性。它引入了三个关键创新:分层知识森林、多维用户建模机制和交互式提示工程方案,在编程教育、作业评估和学习路径规划中展示了其有效性和实用性,为 - 利用大型语言模型进行知识图谱补全的关系预测
通过利用知识图谱节点名称,我们对大型语言模型进行了微调以进行关系预测任务,实验证明我们在广泛使用的知识图谱基准测试中取得了新的成绩。
- 知识图谱扩展 —— 通过实体类型识别
本文提出了一种基于实体类型识别的知识图谱扩展框架,通过对不同知识图谱的模式和实体进行对齐,提高了扩展的性能,从而实现高质量的知识提取。通过定量实验和案例研究,全面展示了所提出的扩展框架及其功能的可行性和有效性。
- 通过逻辑感知的课程调优改进知识图谱上的复杂推理
在本文中,我们提出了一个基于大型语言模型(LLMs)的知识图谱上的复杂逻辑推理模式,包括一个基于课程的逻辑感知调优框架,名为 LACT。通过二叉树分解来增强 LLMs 的推理能力,并设计了一个简单而灵活的逻辑感知课程学习框架,以解决不同类型 - 基于 RAG 的使用知识图谱和大型语言模型的自动驾驶道路用户行为可解释预测
在自动驾驶的背景下,通过结合知识图谱和大型语言模型的推理能力与表达能力,提出了一种可解释的道路用户行为预测系统,该系统使用检索增强生成技术,通过知识图谱嵌入和贝叶斯推理结合在一起,实现对行为的预测,并在行人过马路行为和变道操作的两个应用场景 - 使用大型语言模型的知识图谱上的多跳问答
鉴于知识图谱,以多跳问题为基础评估语言模型在知识图谱中的问答能力,展示了基于信息检索和语义解析的方法能够具有竞争力的性能。
- 利用人类计算游戏框架增强用于准确性关键生成式人工智能应用的知识图谱
通过使用众包反馈通过视频游戏收集到的信息,GAME-KG 框架显示出是一种增强知识图谱的有效方法,同时为人类提供由其验证的可解释的结构化事实。
- SIGIRSpherE: Set 检索的表达和可解释的知识图嵌入
本文首次研究知识图谱集合检索问题,通过提出一种新的知识图谱嵌入模型 SpherE,基于旋转嵌入方法,将每个实体嵌入为一个球体,可以更加准确地建模一对多、多对一和多对多的关系,并且有效解决集合检索问题。
- EMNLPRTF:基于区域的关系三元组抽取表填充方法
自动构建知识图谱的关键工作是关系三元组抽取。现有方法只从令牌或令牌对级别构建浅层表示,而忽略了关系三元组的局部空间依赖性,导致实体对边界检测的弱点。为了解决这个问题,我们提出了一种新的面向区域的表填充方法(RTF)。我们设计了一种新的基于区 - 主题特定知识图的自动构建
我们提出了一个专题特定的知识图谱构建框架,通过从特定领域的语料库中提取实体和关系,并整合上下文和本体,能够准确地构建高质量的知识图谱,解决现有知识图谱在信息粒度和及时性方面的挑战,并且相对于不同的知识图谱构建基线,在实验证明我们的框架表现出 - 利用大型语言模型评估知识图谱中的类成员关系
使用零 - shot 思维链分类器评估知识图谱的类成员关系质量,并使用两个公开知识图谱和七个大型语言模型进行评估,结果表明大型语言模型可以帮助知识工程师在知识图谱细化过程中进行知识图谱的改进。
- 基于结构和文本嵌入的知识图谱补全
在本研究中,我们提出了一种关系预测模型,它利用了知识图中的文本和结构信息,并结合了步行式嵌入和语言模型嵌入来有效地表示节点。通过在一个广泛使用的数据集上进行评估,我们证明了我们的模型在关系预测任务中取得了有竞争力的结果。
- 将人类和由神经网络生成的知识图进行特定任务对齐
本研究开发了一种创新方法,使神经网络能够生成和利用知识图谱,通过与人类提供的知识对齐,描述概念级知识并优化网络参数。实验结果表明,我们的方法始终捕捉到与人类知识密切对齐的网络生成的概念,并且甚至能够发现人类之前未发现的新概念。这种策略不仅增 - 大型语言模型时代的图机器学习
在 LLMs 时代,通过综述文章,我们首先回顾了图机器学习的最新发展,然后探讨了 LLMs 如何提高图特征的质量,减少对标记数据的依赖,并解决图的异质性和分布外泛化等挑战。此外,我们研究了图如何增强 LLMs,并突出它们在 LLMs 的预训 - 在不完整知识图谱问答中将 LLM 视为代理和知识图谱的生成器
本文针对大型语言模型(LLMs)中知识不足和生成幻觉的问题,提出了一种与知识图谱(KGs)结合的方法,利用生成在图中的方法(GoG)解决不完全知识图谱下的问答问题,并证明 GoG 可在一定程度上解决此类问题。
- 通过知识图谱整合异质基因表达数据,提升糖尿病预测能力
通过整合多个基因表达数据集和领域特定知识,利用知识图谱嵌入方法生成向量表示,并用于分类器,本研究提出了一种新的方法,改善了糖尿病预测。
- 增强语境的语言模型用于生成多篇论文引用
基于大型语言模型的引文生成方法,旨在解决单段落引文生成的挑战,研究通过整合多个目标论文与单个源论文,生成包含多个句子引文文本的连贯段落。同时,通过将目标论文的知识图谱整合到生成引文文本的提示中实现了更好的性能,这一研究揭示了利用大型语言模型