《Do Pre-trained Models Benefit Knowledge Graph Completion? A Reliable Evaluation and a Reasonable A》

最新推荐文章于 2025-05-20 21:08:02 发布

jst100

最新推荐文章于 2025-05-20 21:08:02 发布

阅读量1k

点赞数 11

文章标签：知识图谱人工智能

本文链接：https://blog.csdn.net/jst100/article/details/125190568

版权

文章标题：《Do Pre-trained Models Benefit Knowledge Graph Completion?
A Reliable Evaluation and a Reasonable Approach》ACL 2022
文章地址：

文章目录

文章介绍

最近，预训练语言模型被广泛用于知识图谱任务当中，但是这些模型却并没有取得SOTA的结果。这篇文章的作者发现导致上述情况的原因一共有两个，（1）错误发评估方式。目前关于知识图谱三元组完整性的判断大多集中于封闭世界假设（closed world assumption，CWA），从而低估了题PLM为代表的KGC模型，因为它们融合了更多的外部知识。（2）PLM的使用不当。现在基于PLM的模型只是简单将实体和关系拼接以后直接输入到模型当中，而这会导致句子不连贯，无法充分利用PLM中的隐含知识。为了解决上述问题，作者设计了开放世界假设（open-world assumption，OWA）下的更准确的评估方式，并通过人工的方式手动检查已有知识图以外的三元组的正确性，此外，在引入了提示学习（prompt learning）基础上提出了PKGC模型。其基本思想为见每个三元组及其支持信息转化为自然语言提示句，再输入到PLM模型中分类。实验证明PKGC在CWA和OWA上均有良好的表现。