PulseAugur
中
实时 10:49:56
English(EN) Q-GNN: Query-Conditioned Graph Neural Networks with Type Awareness for Knowledge Graph Completion

Q-GNN 通过实体和类型感知增强知识图谱补全

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了 Q-GNN，一种用于知识图谱补全的新方法，通过整合来自查询实体和关系的信息来增强推理。与之前主要使用关系来指导推理的方法不同，Q-GNN 利用了查询实体的结构上下文和语义类型。语义类型是使用大型语言模型推断出来的，为注意力机制和最终评分提供了类型级别的约束。在标准基准上的实验表明，Q-GNN 有效地改进了知识图谱补全。 AI

影响 引入了一种新的知识图谱补全方法，可以改进依赖结构化数据的下游AI应用。

排序理由 这是一篇详细介绍知识图谱补全新模型架构的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Dongxiao He, Ruqiong Zhang, Zhizhi Yu, Ling Ding, Di Jin, Guangquan Xu, Zhiyong Feng ·

    Q-GNN：具有类型感知的查询条件图神经网络用于知识图谱补全

    arXiv:2606.05639v1 Announce Type: new Abstract: Knowledge Graph Completion (KGC) aims at predicting missing triplets from incomplete knowledge graphs, which is crucial for downstream applications. Recently, Graph Neural Network (GNN)-based methods have achieved remarkable success…

相关实体

相关话题