Multi-Aspect Explainable Inductive Relation Prediction by Sentence Transformer

置顶小蜗子

已于 2024-03-07 16:33:35 修改

阅读量3.1k

点赞数

分类专栏：知识图谱的文本动态补全路径文章标签： transformer 深度学习人工智能

于 2023-07-07 21:54:03 首次发布

本文链接：https://blog.csdn.net/weixin_44466434/article/details/131603240

版权

知识图谱的文本动态补全同时被 2 个专栏收录

29 篇文章 9 订阅 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

路径

2 篇文章 0 订阅

订阅专栏

本文提出了一种名为知识推理句子转换器(KRST)的新型模型，用于知识图谱的归纳关系预测。KRST通过关系路径覆盖率和关系路径置信度的概念过滤不可靠路径，利用预训练的句子转换器对路径和三元组进行编码，以实现多方面的解释。实验证明，KRST在多个数据集上优于现有SOTA模型，特别是在归纳和少样本关系预测任务中表现出色。

摘要由CSDN通过智能技术生成

摘要

最近关于知识图(KGs)的研究表明，通过预先训练的语言模型授权的基于路径的方法在提供归纳和可解释的关系预测方面表现良好。本文引入关系路径覆盖率和关系路径置信度的概念，在模型训练前过滤掉不可靠的路径，以提高模型的性能。此外，我们提出了知识推理句子转换器(Knowledge Reasoning Sentence Transformer, KRST)来预测KGs中的归纳关系，KRST将提取的可靠路径编码在KGs中，使我们能够适当地聚类路径并提供多方面的解释。我们在三个真实世界的数据集上进行了广泛的实验。实验结果表明，与SOTA模型相比，KRST在大多数传导和感应测试用例(6个中的4个)和12个少射测试用例中的11个中都达到了最佳性能。