FB15K-237
PulseAugur coverage of FB15K-237 — every cluster mentioning FB15K-237 across labs, papers, and developer communities, ranked by signal.
-
新研究探讨基于LLM和谱方法进行知识图谱补全 · 跟踪3个来源
三篇新研究论文介绍了知识图谱补全（KGC）的新方法，该任务侧重于预测知识图谱中缺失的链接。arXiv上发布的PEARL使用基于路径-实体对齐的关系学习框架，结合上下文子图和LLM引导的检索器来改进归纳式KGC。另一篇论文QUEST通过使用图拉普拉斯的谱信息初始化实体嵌入并采用计划图平滑正则化器来处理不确定的知识图谱。第三篇论文CoSC将离散结构编码与LLM方法中的相似实体信息相结合，以提高KGC性能。
-
新模型LitEm通过数值属性增强知识图谱嵌入
研究人员开发了一种名为LitEm的新型神经回归模型，通过整合数值属性来增强知识图谱嵌入。该模型旨在改进对现实世界知识图谱的表示，这些图谱通常包含超越简单关系的多样化信息。实验表明，LitEm在多个基准数据集上表现具有竞争力，并且一个将LitEm与现有嵌入模型集成的联合训练框架提高了链接预测性能并实现了数值属性预测。
-
FlowNeg 方法通过多样化负采样增强知识图谱嵌入
研究人员开发了 FlowNeg，一种用于在知识图谱嵌入 (KGE) 模型中生成多样化且信息丰富的负样本的新方法。该方法利用上下文条件分层生成流网络来选择既是困难负样本又避免与正例冲突的实体。跨不同架构和基准的实验表明，FlowNeg 在平均倒数排名 (MRR) 方面优于 EMU 和 IF-NS 等现有方法，证明了其在改进 KGE 模型学习方面的有效性。
-
FlowNeg方法通过多样化的负采样增强知识图谱嵌入
研究人员开发了FlowNeg，一种用于知识图谱嵌入（KGE）模型生成多样化且信息丰富的负样本的新颖方法。该方法利用上下文条件分层生成流网络来分摊与奖励成比例的采样，根据模型基础硬度和避免与保留正样本冲突的结构化分数相结合的奖励来选择实体类型，然后选择特定实体。跨不同架构和基准的实验表明，FlowNeg在平均MRR方面始终优于EMU和IF-NS等现有方法，证明了其在改进KGE模型学习方面的有效性。
-
InductWave论文提出用于大型知识图谱的归纳逻辑查询回答
研究人员推出了一种名为InductWave的新型小波嵌入方法，用于大型知识图谱上的归纳多跳逻辑查询回答。与需要训练时所有实体都存在的转导方法不同，InductWave可以推理未见过的实体，解决了实际应用中的资源限制。该模型展示了在较少消息传递层下具有竞争力的性能，能够在大规模图谱（如Wiki-KG）上进行评估，并在许多场景下超越最先进的模型。
-
全息记忆在知识图谱零样本组合推理中失败
研究人员调查了全息降维表示（HRR）和傅里叶HRR（FHRR）在知识图谱零样本组合推理中的有效性。虽然这些方法显示出潜力并在预测单跳链接方面具有竞争力，但它们无法组合零样本查询。研究发现，主要瓶颈不在于绑定或解绑代数或清理机制，而在于由于叠加记忆中的容量和干扰效应，检索构成链的事实存在固有的困难。
-
新框架使用 LLM 来解释复杂的知识图谱规则
研究人员开发了 Rule2Text，一个旨在通过使用大型语言模型生成自然语言解释来使知识图谱规则更易于理解的框架。该框架在包括 Freebase 变体和 ogbl-biokg 在内的各种数据集上进行了测试，使用了 AMIE 3.5.1 挖掘的规则。该研究评估了多种 LLM 和提示策略，并结合了人类评估和 LLM 作为裁判的方法来评估解释的质量。表现最佳的模型 Gemini 2.0 Flash 被用于微调 Zephyr 模型，从而在解释…