论文浅尝 | 基于开放世界的知识图谱补全

最新推荐文章于 2024-05-21 17:52:40 发布
最新推荐文章于 2024-05-21 17:52:40 发布
阅读量5.1k 收藏 4
点赞数 2
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/TgqDT3gGaMdkHasLZv/article/details/80906146
版权
本文介绍了一种基于开放世界假设的新型知识图谱补全算法，能够处理未存在于现有知识库中的实体。算法通过Relationship-Dependent Content Masking去除文本噪声，Target Fusion使用CNN模型提纯信息，Semantic Averaging对实体进行编码，最后利用list-wise ranking损失函数进行优化。实验证明，该算法优于基于封闭世界假设的方法。
摘要由CSDN通过智能技术生成

640?wx_fmt=png

Citation: Baoxu Shi and Tim Weninger (2017). Open-World Knowledge Graph Completion 6, AAAI 2018


传统的知识库补全算法如TransE等都是基于Close world assumption 的，也是就说补全的实体必须在知识图谱内。然而事实上大规模的知识图谱是一直进化的，整个图谱并不是一成不变的。因此当遇到不存在与以前知识库中的实体或者关系如何对知识库进行补全则是一个重要的研究问题。本文提出了一个基于开放世界假设的知识补全算法，该算法可以将未出现在知识库中的实体进行补全，进而克服传统知识库补全算法的问题。

 

整个算法的框架如下图所示：

该算法分为三个部分

1、 

最低0.47元/天 解锁文章
Open-world knowledge graph completion for unseen entitiesand relations via attentive feature aggreg
weixin_44466434的博客
10-06 371
知识图谱的文本信息补全
AMIE：在不完整知识库下的关联规则挖掘（代码+文档）
03-18
最近几年，例如YAGO和DBpedia等大规模知识库发展有了很大的进步。知识库提供了大量的不同种类的实体信息，如人、国家、河流、城市大学等等，同时知识库包含了大量的在实体（entity）间的关系既事实（fact）。当今的知识库包含的数据量是巨大的通常有百万个实体和上亿个描述实体间关系的事实数据。 虽然目前的知识库存在大量的实体和事实数据，但是这样大规模的数据仍然不完整。目前构建知识库的方法主要有两种，一种是从大量的文本中抽取事实但这种方法必然会带来大量的噪声数据，第二是人工扩展，但这样的方法对于时间的开销是极大的。如果确保一个知识库是完整的则必须花费很大的努力来抽取大量的事实，并检查事实的正确性，因为只有正确的事实加入到知识库中才是有意义的。同时知识库的本身由于有足够的信息可以推理出更多的新的事实。例如有这样一个例子，一个知识库包含一组事实是孩子c有一个妈妈m，这样可以推理得出孩子妈妈的丈夫f很可能是孩子的父亲。该逻辑规则形式化的描述如下： motherof(m,c)∧marriedTo(m,f)⟹fatherof(f,c) 挖掘这种规则可帮助做一下四种事情：1、利用这种规则来推理出新的事实，而这些被挖掘出的新的事实可以使知识库更完整。2、这些规则可以检测出知识库潜在的错误例如一个陈述是一个与一个男孩无关的人是这个男孩的父亲，这样的陈述很可能是错误的。3、有很多推理工具依赖其他工具提供规则，所以这些被挖掘出来的规则可以用于推理。4、这些规则描述一个普遍的规律，这些规律可以帮我我们理解分析知识库中的数据，如找到一些国家通常与说同一种语言的国家交易。或结婚是一个对称关系，或使用同一个乐器的音乐家通常互相影响等等。 AMIE的目标是从RDF格式的知识库中挖掘如上所述的逻辑规则，在语义网（Semantic Web）中存在大量的RDF知识库如YAGO、Freebase和DBpedia等。这些知识库使用RDF三元组（S,P,O）提供二元关系（binary relation）的描述。由于知识库一般只包含正例而（S,P,O）没有反例（S,¬P,O），所以RDF这样的知识库中仅能通过正例来推理。进一步来说在RDF知识库上的操作是基于开放世界假设（OWA）的。在开放世界假设下，一个事实没有在知识库中存在那么我们不能说这个事实是错误的，只能说这个陈述是未知的。这与标准的数据库在封闭世界假设的设定有本质上的区别。例如在知识库中没有包含marry(a,b)，在封闭世界假设中我们可以得出这个a没有和b结婚而在开放世界假设下我们只能说a可能结婚了也可能单身。 压缩包内包含AMIE可运行源代码与相应文档资料，欢迎下载参考
Knowledge Graph Completion（知识图谱补全）
nakaizura
08-09 2万+
知识图谱补全算法能让知识图谱变得更加完整,按照能否处理新实体或者新关系，可以将知识图谱补全算法分成两类： 静态知识图谱补全（Static KGC），该场景的作用是补全已知实体之间的隐含关系。仅能处理实体以及关系都是固定的场景，扩展性较差 动态知识图谱补全（Dynamic KGC），涉及不止知 识图谱G中的实体或关系，该场景能够建立知识图谱与外界的关联，从而扩大知识图谱的实体集、关系集以及三元组集。可以处理含有新实体或者新关系的场景，能够构造动态的知识图谱，具有更好的现实意义 虽然知识图谱能提供高质量的结
知识图谱补全
weixin_47482014的博客
05-19 2648
知识图谱（Knowledge Graph, KG）是以图的形式表示实体及其关系的结构化知识库。其广泛应用于搜索引擎、推荐系统、智能问答等领域。然而，知识图谱在构建过程中难免会出现不完整的问题，因此知识图谱补全（Knowledge Graph Completion, KGC）成为了一个关键研究方向。KGC旨在预测缺失的关系或实体，从而增强知识图谱的完备性。
知识图谱补全技术-TransE篇
weixin_47482014的博客
05-20 3435
TransE通过将知识图谱中的实体和关系嵌入到低维向量空间，并使用简单的线性变换来表示实体之间的关系，提供了一种有效的方法来处理知识图谱嵌入任务。虽然它在处理复杂关系上存在一定的局限性，但其简单性和高效性使其成为知识图谱嵌入的一个重要基准方法。TransE模型通过将知识图谱中的实体和关系嵌入到低维向量空间，并使用简单的线性变换来表示实体之间的关系，提供了一种有效的知识图谱嵌入方法。虽然在处理复杂关系方面存在一定局限，但其简单性和高效性使其成为知识图谱嵌入的一个重要基准方法。
ConMask: Open-World Knowledge Graph Completion
记录学习历程
05-06 922
引入一个名为ConMask的开放世界KGC模型，该模型学习实体名称和部分文本描述的嵌入，将看不见的实体连接到KG。为了减少嘈杂文本描述的存在，ConMask使用依赖关系的内容掩码来提取相关片段，然后训练全卷积神经网络，将提取的片段与KG中的实体融合。
论文浅尝 | 探索基于大模型的知识图谱补全
开放知识图谱
05-01 1191
笔记整理：张溢弛，浙江大学硕士，研究方向为知识图谱链接：https://arxiv.org/abs/2308.139161、动机知识图谱在众多人工智能任务中发挥着重要作用，但它们经常面临不完整的问题。在本论文中，作者探索了如何利用大型语言模型（LLM）来完成知识图谱补全任务。作者通过将知识图谱中的三元组视为文本序列，并引入了一个名为知识图谱 LLM（KG- LLM）的框架来为这些三元组建模。本文提...
论文浅尝 | Seq2Seq 知识图谱补全与问答
开放知识图谱
04-25 2594
笔记整理：李行，天津大学硕士论文题目：Sequence-to-Sequence Knowledge Graph Completion and Question Answering链接：https://arxiv.org/pdf/2203.10321.pdf动机知识图嵌入 (KGE) 模型用低维嵌入向量表示知识图 (KG) 的每个实体和关系。这些方法最近已应用于知识图谱链...
论文浅尝 | 重新实验评估知识图谱补全方法
开放知识图谱
03-29 2107
论文作者：Farahnaz Akrami，美国德州大学阿灵顿分校，博士生。笔记整理：南京大学，张清恒，硕士生。 链接：https://arx...
论文浅尝 | 探索用于归纳型知识图谱补全的关系语义
开放知识图谱
08-19 1196
笔记整理：徐雅静，浙江大学在读硕士，研究方向为知识图谱的表示学习，零样本学习。KGC指的是在不完整的KG中推理出缺失的实体。以前的多数工作仅仅考虑到直推式场景（实体都存在KG中），不能有效地解决归纳式场景（包含新出现的实体）。近年来一些基于图神经网络的方法通过聚合邻居信息来从相邻的辅助三元组捕获一些不确定的语义信息解决归纳式场景问题。但是那些方法都忽视了利用现存三元组中包含的关系语义去为新出现的实...
“元学习”的理解
热门推荐
myc的博客
09-12 4万+
1、定义 元学习（Meta Learning）或者叫做“学会学习”（Learning to learn），它是要“学会如何学习”，即利用以往的知识经验来指导新任务的学习，具有学会学习的能力。 当前的深度学习大部分情况下只能从头开始训练。使用Finetune来学习新任务，效果往往不好，而Meta Learning 就是研究如何让神经玩两个很好的利用以往的知识，使得能根据新任务的调整自己 研...
论文浅尝 - ACL2020 | 知识图谱补全方法的再评估
开放知识图谱
03-17 995
笔记整理 | 谭亦鸣，东南大学博士来源：ACL 2020链接：https://www.aclweb.org/anthology/2020.acl-main.489.pdf源码：http:/...
论文笔记 | Open-World Knowledge Graph Completion |AAAI2018
weixin_41297561的博客
05-24 936
来源：AAAI2018 论文链接：https://arxiv.org/pdf/1711.03438.pdf 代码链接：https://github.com/bxshi/ConMask 介绍 这篇文章解决的是知识图谱补全的问题，先前的知识图谱补全模型(KGC)都是在KG的实体集合和关系集合确定的情况下预测新的连接，文中将其称为Closed-World KGC，Definition1 给出了Closed-World KGC的定义： Closed-World KGC：给定不完整知识图谱G=(E,R,T)G=(.
知识图谱最新权威综述论文解读：知识图谱补全部分
ngl567的博客
06-10 3995
上期我们介绍了2020年知识图谱最新权威综述论文《A Survey on Knowledge Graphs: Representation, Acquisition and Applications》的知识表示学习部分，本期我们将一起学习这篇论文的知识图谱补全部分。 论文地址： https://arxiv.org/pdf/2002.00388.pdf​arxiv.org 由于知识图谱的不完整性，知识图谱补全可以用来向知识图谱中添加新的三元组。典型的知识图谱补全子任务包括链接预测，实体预测和关系预.
知识图谱补全-ProjE: Embedding Projection for Knowledge Graph Completion
UpUp的博客
12-05 2417
ProjE: Embedding Projection for Knowledge Graph Completion阅读笔记backgroundmotivationmodelexperimentsconclusion 会议：Proceedings of the Thirty-First AAAI Conference on Artificial Intelligence (AAAI-17) author : Baoxu Shi and Tim Weninger University of Notre Dam
知识图谱补全技术-DistMult篇
最新发布
weixin_47482014的博客
05-21 3032
在自然语言处理和机器学习领域，知识图谱是一种至关重要的数据结构。知识图谱通过节点表示实体，边表示实体之间的关系，构建了一个复杂的网络结构。在知识图谱中，如何高效地表示实体和关系是一个关键问题。为了解决这个问题，知识图谱补全技术应运而生。它通过预测和填补知识图谱中的缺失三元组，增强了数据的完整性和实用性。知识图谱补全技术利用嵌入模型和图神经网络等先进的机器学习方法，广泛应用于搜索引擎、推荐系统和智能问答系统等领域，从而显著提升了这些系统的性能和用户体验。
知识图谱-KGC(推理补全/链接预测)：“知识图谱补全”术语【知识图谱补全、三元组分类、链接预测】
u013250861的博客
11-18 4333
一方面，现有的数据集对已有知识进行随机划分，得到训练集和测试集，这样并不能保证测试的新知识确实可以通过训练时已有的知识得到。（2）测试的知识可以是正确的，错误的，也可以是不确定。可以看到，模型从已有知识（贝多芬，职业，钢琴家）和（贝多芬，乐器，钢琴）中归纳出可靠的规则：钢琴家的乐器是钢琴，再通过（Bob，职业，钢琴家）演绎出新知识（Bob，乐器，钢琴），对知识图谱缺失的边进行了补全。那么，在判断新知识的时候，可以直接使用对应的实体和关系向量，对三元组进行打分，分数的高低反应该条知识的正确概率。
论文阅读笔记（四）——知识图谱补全（KGC）
Zichel77的博客
08-20 5798
创新性地将知识图谱嵌入空间改变为双曲曲面空间， 提出了HypE模型实现了更符合现实世界查询的复杂方式： 对多个简单Query的交集、 并集， 进行联合查询的嵌入表示Query对应的Answer空间规模可以动态调整： 复杂Query的Answer^间规格参数变大， 包含更多信息1、将参数生成应用到链接预测任务,关系视为上下文,生成操作头实体的函数参数2、 该方法仅用于改进无交互操作的模型，例如ConvE。
知识图谱 transformer
08-27
- *1* *2* [论文浅尝 | 利用图 Transformer 实现基于知识图谱的文本生成](https://blog.csdn.net/TgqDT3gGaMdkHasLZv/article/details/100190240)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630",...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值
>