当前的知识图谱补全模型都只能通过三元组中的两个元素（比如主体和关系）来预测剩余第三个元素。我们在这篇论文中提出了一种新模型，其中使用了专门针对知识图谱的多层循环神经网络（RNN）来将知识图谱中的三元组建模成序列。我们在两个基准数据集和一个更为困难的数据集上进行了传统的实体预测任务实验，结果表明我们...
图卷积网络(GCN)是一种有效的图结构建模方法,在知识图谱补全(KGC)中得到了越来越广泛的应用。基于GCN的KGC模型首先使用GCN生成表达性实体表示,然后使用知识图嵌入(KGE)模型捕获实体和关系之间的交互。然而,许多基于GCN的KGC模型虽然引入了额外的计算复杂性,但其性能无法超过最先进的KGE模型。这一现象促使论文探索GCN在...
然而,知识图谱仍然存在事实不完整的问题,为了解决这个问题,有必要通过知识图谱补全(Knowledge Graph Completion,KGC)来自动推导和填充缺失的事实,进一步提高知识图谱的利用价值。 近年来,相关研究者针对 KGC 任务,提出了许多基于知识图嵌入技术的知识图谱补全模型,...
论文提出一种用增量学习思想做时序知识图谱补全(Temporal Knowledge Graph Completion, TKGC)的学习框架——Time-aware Incremental Embedding (TIE)。看框架名是提出了一种学习知识图嵌入的方法。增量学习是为了缓解模型在学习新增数据时产生的对过去所学的灾难性遗忘问题。 时序知识图谱(Temporal Knowledge Graph, TKG)...
摘要 大型知识图谱经常具有不完整性,一种解决方案是采用多跳推理实现缺失信息的知识补全。由于图谱中的实体和关系存在多种语义,即推理路径中的多重语义信息,会影响到多跳推理的结果。为了解决这个问题,我们提出了一个分层强化学习的模型,来学习图谱中的推理链路。整个模型分为两级强化学习策略,上级策略网络是历史信息的...
这篇文章提出了一种名为ALIGNKGC的多任务学习方法,旨在同时完成多语言知识图谱的补全、实体对齐和关系对齐。该方法的主要创新点包括: 1. 使用了基于实体嵌入的软关系表示,通过比较两个关系的主体-客体嵌入向量集合,计算它们之间的重叠度,从而进行关系对齐。 2. 引入了新的关系对齐损失项,基于最大二分图匹配来衡量两...
可以看看知网英文普刊，性价比很高，知网+谷歌学术 Journal of Artificial Intelligence Practice 人工智能...
这个时态知识图谱TKGC论文库,开源作者花了很多精力整理,如果对你有帮助,辛苦大家点个Star 除了视频中所介绍的资源,在公粽.hao【青云学长】回“资源” 1. 超详细的人工智能/深度学习/机器学习/CV/NLP/kaggle等学习路线图,帮助你从零到一梳理学习重点,快速入门 ...
MPIKGC:大语言模型改进知识图谱补全 提出背景 MPIKGC框架 论文:https://arxiv.org/pdf/2403.01972.pdf 代码:https://github.com/quqxui/MPIKGC 提出背景 知识图谱就像一个大数据库,里面有很多关于不同事物的信息,这些信息是以三元组的形式存在的,比如(人物,关系,事物),如(Ian Bryce,制片,变形金刚:月黑之时)...
更多的设置细节可以在我们的代码中查看。对于知识图谱补全模型,我们使用了它们原始论文的结果或使用它们实现的默认配置复现的结果。对于KGT5,我们使用我们的提示词和回复进行训练,其他的设置和它自身实现相同。我们将我们设计的提示输入到GPT-4和ChatGPT的网页界面获得结果。