Dipping PLMs Sauce: Bridging Structure and Text for EffectiveKnowledge Graph Completion via Conditi

最新推荐文章于 2024-11-04 22:31:49 发布

小蜗子

最新推荐文章于 2024-11-04 22:31:49 发布

阅读量303

点赞数

分类专栏：知识图谱的文本动态补全文章标签：知识图谱人工智能

本文链接：https://blog.csdn.net/weixin_44466434/article/details/131600499

版权

知识图谱的文本动态补全专栏收录该内容

30 篇文章 9 订阅 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

CSProm-KG是一种针对知识图谱补全(KGC)的方法，旨在平衡结构信息和文本知识的利用。通过条件软提示，该模型在不忽视结构知识的情况下，利用预训练语言模型学习文本信息。实验在多个基准数据集上展示了CSProm-KG的优越性能，设定了新的 state-of-the-art 结果，并通过分析证明了其组件的有效性、效率和灵活性。

摘要由CSDN通过智能技术生成

Abstract

知识图谱补全(KGC)通常需要知识图谱的结构信息和文本信息才能有效。预训练语言模型(PLMs)被用来学习文本信息，通常在KGC任务的微调范式下。然而，精心调整的plm往往压倒性地关注文本信息而忽略了结构知识。为了解决这一问题，本文提出了在结构信息和文本知识之间保持平衡的条件软提示CSProm-KG (Conditional Soft prompt for KGC)。cspm - kg只调整由实体和关系表示生成的条件软提示的参数。我们在三个流行的静态KGC基准WN18RR、FB15K-237和Wikidata5M以及两个临时KGC基准ICEWS14和ICEWS0515上验证了cspromm - kg的有效性。CSProm-KG优于竞争对手的基准模型，并在这些基准上设置了新的最先进的技术。我们进行了进一步的分析，以显示(i)我们提出的组件的有效性，(ii) CSProm-KG的效率，以及(iii) CSProm-KG的灵活性。

图2:用于KG查询的CSProm-KG示例(Steve Jobs, Place of Birth, 1955-02-24)。CSProm-KG使用实体和关系的嵌入(在训练前随机初始化)来生成条件软提示。在冻结的plm中，条件软提示与KG查询的文本信息完全交互。将输出输入到基于图的KGC模型中进行最终预测。为了提高CSProm-KG识别文本相似实体的能力，我们在训练过程中进一步添加了与尾实体相似的LAR样本。CSProm-KG有效地学习了KG中的结构知识和语篇知识。