知识图谱-多跳推理问答-模型-2020：EmbedKGQA【第一个将KGE用于多跳推理问答任务的方法】【直接通过score=φ(q,e_h,e_a‘)从KG中选择答案实体】

已于 2024-02-14 22:23:48 修改
阅读量1.2k 收藏 4
点赞数
分类专栏： 知识图谱（Knowledge Graph） 文章标签： 知识图谱 人工智能
于 2022-08-16 13:33:42 首次发布
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/u013250861/article/details/126361250
版权

一、概述

在这里插入图片描述

1、动机

在多跳KGQA中，系统需要对KG的多个边缘执行推理以推断出正确的答案。 KG通常不完整，这给KGQA系统带来了额外的挑战，尤其是在多跳KGQA的情况下。最近的方法已使用外部文本语料库来处理KG稀疏性。而本文期望通过利用KG embedding的链接预测属性，不依赖外部数据解决KG不完整问题。

2、贡献

提出了EmbedKGQA，一种用于多跳KGQA任务的新方法。EmbedKGQA是第一个将KG嵌入用于此任务的方法。EmbedKGQA在执行稀疏KG上的多跳KGQA方面特别有效。

EmbedKGQA放宽了从预先指定的本地邻居选择答案的要求，这是先前方法中不受欢迎的一个约束。

通过在多个现实世界数据集上进行的广泛实验，证明了EmbedKGQA取得了STOA的效果。

二、数据集：MetaQA数据

实验数据集是MetaQA数据集，该数据集是基于电影知识图谱的电影问答。MetaQA数据集下载

数据集MetaQA：一个是电影领域中包含超过40万个问题的大规模多跳KGQA。

1、数据01：知识图谱

预训练知识图谱中实体、关系的Embedding

了解本专栏 订阅专栏 解锁全文 超级会员免费看
u013250861
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
订阅专栏
KGE-HAKE:The code of paper Learning Hierarchy-Aware Knowledge Graph Embeddings for Link Prediction. Zhanqiu Zhang, Jianyu Cai, Yongdong Zhang, Jie Wang. AAAI 2020
05-15
HAKE：层次结构感知知识图嵌入 这是用于链接预测的书面学习层次感知知识图嵌入的代码。 张占秋，蔡建宇，张永东，王杰。 依存关系 Python 3.6+ 1.0+ 结果 在WN18RR ， FB15k-237和YAGO3-10上的HAKE和基线模型ModE的结果如下。 WN18RR 最低收益率 HITS @ 1 HITS @ 3 HITS @ 10 模式 0.472 0.427 0.486 0.564 哈克 0.496±0.001 0.452 0.516 0.582 FB15k-237 最低收益率 HITS @ 1 HITS @ 3 HITS @ 10 模式 0.341 0.244 0.380 0.534 哈克 0.346±0.001 0.250 0.381 0.542 YAGO3-10 最低收益率 HITS @ 1 HITS @ 3
论文浅尝 - ACL2020 | 利用知识库嵌入改进多跳 KGQA
开放知识图谱
08-14 1855
论文笔记整理：吴畏，东南大学硕士研究生。来源: ACL 2020论文地址: https://www.aclweb.org/anthology/2020.acl-main.412.pdf开...
探索智能问答新境界：KGQA - 知识图谱问答系统
gitblog_00006的博客
04-08 352
探索智能问答新境界：KGQA - 知识图谱问答系统 项目地址:https://gitcode.com/yeeeqichen/KGQA 在数字化时代，获取信息变得越来越便捷，但如何从海量数据中精准提炼出我们需要的答案仍是一大挑战。这就是KGQA项目的意义所在。KGQA是一个基于知识图谱的问答系统，它旨在帮助用户以自然语言形式快速、准确地找到问题的解决方案。 项目简介 KGQA是由开发者yeeeqic...
EmbedKGQA:2020年ACL
03-21
嵌入KGQA 这是我们的ACL 2020论文的代码， 更新：用于关系匹配的代码已添加。请参阅以获取有关如何使用它的详细信息。 指示 为了运行代码，请首先从下载data.zip和pretrained_model.zip。将这些文件解压缩到主目录中。 MetaQA 转到目录./KGQA/LSTM。以下是运行质量检查培训代码的示例命令 python3 main.py --mode train --relation_dim 200 --hidden_dim 256 \ --gpu 2 --freeze 0 --batch_size 128 --validate_every 5 --hops 2 --lr 0.0005 --entdrop 0.1 --reldrop 0.2 --scoredrop 0.2 \ --decay 1.0 --model ComplEx --patience 5 -
EmbedKGQA论文简要解读
xhsun的博客
11-08 2588
KGQA与KGE 关于KGQA以及知识图谱嵌入的签简单介绍可以看之前的两篇博客： KGQA概览 知识图谱嵌入简单介绍 这篇论文就是结合知识图谱嵌入（KGE）来进行多跳知识问答 EmbedKGQA 论文源代码 MetaQA数据 实验数据集是MetaQA数据集，该数据集是基于电影知识图谱的电影问答。下载链接 提供的KG 我们需要提供的KG，因为我们要预先训练KG中每一个实体的embedding。KG如下： 比如，用ComplEx这个KGE模型训练MetaQA知识图谱得到的结果： 提供的QA数据 提供的
介绍一下EmbedKGQA模型
weixin_35751194的博客
01-04 188
EmbedKGQA 是一种基于语义嵌入的知识图谱问答系统模型。该模型使用了本体知识库来学习语义嵌入，并在此基础上对知识图谱中的实体和关系进行编码。这样，在处理问题时，模型就可以利用这些嵌入来判断实体和关系之间的相似度，从而进行推理并回答问题。 EmbedKGQA 模型的优势在于，它可以在线性时间内处理复杂的问题，并且对于知识图谱中的稠密关系以及稀疏实体都能进行有效的处理。 ...
基于知识图谱的问答——模型结构
panghaomingme的博客
09-23 403
流水线式（Pipeline）方法：关系分类和实体抽取分成两个任务进行，分别计算loss，不互相影响 模型训练简单，为常规NLP下游任务：分类和序列标注； 预测速度慢，需要同时输入两个模型； 因为模型预测误差，容易出现非法的二元组，如：（周星驰，上映时间），需要执行关系链接操作； 联合式（Joint）方法：关系分类和实体抽取采用同一个公共Embedding层进行编码，并采用multi-task的处理方式计算loss，互相影响 模型训练困难，两类下游任务的loss及梯度下降速度均不在一个...
论文学习笔记：使用知识库嵌入改进知识图谱上的多跳问答
朝闻道
01-27 1803
公众号 系统之神与我同在 https://www.aclweb.org/anthology/2020.acl-main.412.pdf​www.aclweb.org/anthology/2020.acl-main.412.pdf 摘要 知识图（KG）是由实体作为节点，实体之间的关系作为类型化边组成的多关系图。 KG 问答（KGQA）任务的目的是回答对 KG 提出的自然语言查询。 多跳 KGQA 要求在 KG 的多个 边缘进行推理，以得出正确的答案。 KG 通常缺少许多链接，这给 KGQA 尤其是多
基于知识图谱的问答系统，结合MetaQA知识图谱，用于解决电影领域的问答问题
最新发布
05-07
1、train_KGE目录下为训练知识图谱嵌入模型的相关代码，包含以下知识图谱嵌入方法： - RotatE - TransE - DistMult - ComplEx 2、KGQA_system目录下包含了问答系统的实现代码，包含以下几个模块： - 知识图谱嵌入...
kge:LibKGE - 用于可重复研究的知识图嵌入库
08-04
LibKGE 是一个基于 PyTorch 的库，用于(KGE) 的高效训练、评估和超参数优化。 它具有高度可配置性、易于使用和可扩展性。 其他 KGE 框架。 LibKGE 的主要目标是促进对KGE 模型和训练方法的可重复研究（以及之间有...
KGE:关于知识图嵌入（KGE）的一些论文
05-13
凯格关于知识图嵌入（KGE）的一些论文感谢您的关注和客气话！ 我们将在以后更新KGE。 欢迎通过电子邮件加入我们的小型WeChat小组，以学习和谈论KGE。内容图书馆LibKGEOpenKEPyKEENPykg2vecGraphViteScikit-...
MHGRN:知识感知型问答的可扩展多跳关系推理（EMNLP 2020）
04-14
多跳图关系网络（EMNLP 2020） 这是我们的预印本，回收： Scalable Multi-Hop Relational Reasoning for Knowledge-Aware Question Answering Yanlin Feng*, Xinyue Chen*, Bill Yuchen Lin, Peifeng Wang, Jun Yan and Xiang Ren. EMNLP 2020. *=equal contritbution 该存储库还实现了其他图形编码模型来回答问题（包括原始LM微调）。 关系网 R-GCN 卡格网 GConAttn 虚拟机 MHGRN（或MultiGRN） 每个模型都支持以下文本编码器： LSTM GPT 伯特 XLNet 罗伯塔 资源 我们提供经过预处理的ConceptNet和经过培训的实体嵌入，供您自己使用。 这些资源与
MultiHopKG:通过策略梯度学习的多跳知识图推理与奖励塑造和动作丢失
05-30
多跳知识图推理与奖励塑造 这是以下论文的官方代码版本： Xi Victoria Lin、Richard Socher 和 Caiming Xiong。 。 EMNLP 2018。 快速开始 环境变量和依赖项 使用 Docker 构建 docker 镜像 docker build -< Dockerfile>=0.4.1) 并使用 Makefile 设置其余的依赖项。 make setup 处理数据 一、解压
KGQA:高级软件工程作业--基于知识图谱的豆瓣书籍推荐问答系统
04-27
KGQA 基于知识图谱的书籍推荐可视化及问答系统 改自 高级软件工程大作业 文件树: app.py是整个系统的主入口 templates文件夹是HTML的页面 |-index.html 欢迎界面 |-search.html 搜索页面 |-KGQA.html 问答页面 static文件夹存放css和js，是页面的样式和效果的文件 raw_data文件夹是存在数据处理后的三元组文件 neo_db文件夹是知识图谱构建模块 |-config.py 配置参数 |-create_graph.py 创建知识图谱，图数据库的建立 |-query_graph.py 知识图谱的查询 KGQA文件夹是问答系统模块 |-ltp.py 分词、词性标注、命名实体识别 spider文件夹是爬虫模块 |- get_*.py 是之前爬取人物资料的代码，已经产生好images和json 可以不用再执行 |-show_prof
pykg2vec:用于知识图嵌入和表示学习的Python库
05-14
我们试图将最先进的知识图嵌入（KGE）算法和知识图嵌入任务流水线中的必要构造块引入一个库中。 对于希望探索相关领域的人们，我们希望Pykg2vec既实用又具有教育意义。 特征： 支持最新的KGE模型实现和基准数据集...
论文浅尝 | GaussianPath: 用于知识图谱推理的贝叶斯多跳推理框架
开放知识图谱
11-21 2407
笔记整理：谭亦鸣，东南大学博士生来源：AAAI’21链接：https://ojs.aaai.org/index.php/AAAI/article/view/16565多跳推理由于对下游任务...
基于医疗知识图谱的问答系统 基于知识图谱的多轮问答 附完整代码数据详细教程
机器学习深度学习业余选手
02-10 1066
基于医疗知识图谱的问答系统 基于知识图谱的多轮问答 附完整代码数据详细教程
ACL2020 | 基于Knowledge Embedding的多跳知识图谱问答
夕小瑶科技说
06-16 4735
一只小狐狸带你解锁 炼丹术&NLP秘籍作者：舒意恒（南京大学硕士生，知识图谱方向）背景什么是知识图谱问答？知识图谱（KG）是一个多关系图，其中包含数以百万计的实体，以及连接实体...
知识图谱-多跳推理问答：概述【TransferNet作者】
u013250861的博客
11-14 1707
导读：知识图谱在现有的实际业务中存在着各种各样的应用，问答是其中一个非常重要的应用，本文主要关注如何解决基于知识图谱的复杂问题，该任务又称为推理问答。本文的介绍会围绕下面四点展开：KBQA背景介绍构造推理过程数据跨领域迁移隐式学习推理过程01背景介绍1. KBQA 首先回顾下什么是知识图谱问答——KBQA。一个给定的知识图谱，包含了许多信息，如实体、属性以及实体之间的关系。基于一个已经构建好的知识图谱，我们希望机器能够通过知识图谱来自动回答一些问题，如上图中，提问“勒布朗·詹姆斯生日是什么时候？”，我们希
知识图谱嵌入评价指标
11-30
KGE模型的性能评价指标通常包括MRR、HITS@1和HITS@10。其中，MRR是平均倒数排名，表示所有正确三元组的平均倒数排名，其计算公式为： $$MRR=\frac{1}{|\mathcal{T}|}\sum_{(h,r,t)\in\mathcal{T}}\frac{1}{rank_{(h,r,t)}}$$ 其中，$\mathcal{T}$表示测试集中的所有正确三元组，$rank_{(h,r,t)}$表示正确三元组$(h,r,t)$在模型预测结果中的排名。MRR的取值范围为$[0,1]$，其值越大表示模型性能越好。 另外，HITS@k是命中率指标，表示模型预测结果中前$k$个三元组中包含正确三元组的比例，其计算公式为： $$HITS@k=\frac{1}{|\mathcal{T}|}\sum_{(h,r,t)\in\mathcal{T}}indicator(rank_{(h,r,t)}\leq k)$$ 其中，$\mathcal{T}$表示测试集中的所有正确三元组，$indicator$函数表示条件成立时函数值为1，否则为0。HITS@1和HITS@10分别表示命中率指标中$k=1$和$k=10$的情况。HITS@k的取值范围为$[0,1]$，其值越大表示模型性能越好。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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