knowledge graph completion
PulseAugur coverage of knowledge graph completion — every cluster mentioning knowledge graph completion across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的DuPLeR框架提升了多模态少样本知识图谱补全能力
研究人员推出了一种名为DuPLeR的新型框架，旨在增强数据有限场景下的知识图谱补全（KGC）能力。这种双路径大语言模型推理方法旨在通过整合多模态信息和大语言模型推导出的先验知识来推断缺失的事实，同时减轻噪声和幻觉。DuPLeR构建了一个校准的关系图谱，并采用双层推理来优化实体表示，在数据稀疏环境下于多模态知识图谱基准测试中展现出强大的性能。
-
新框架使用扩散模型进行知识图谱补全
研究人员开发了一个名为 DMKGC 的新框架，用于多领域知识图谱补全。该方法使用条件扩散模型，通过从支持知识图谱迁移知识同时保留领域特定信息来生成更具信息量的实体嵌入。该方法旨在提高缺失三元组的预测精度，尤其是在低资源场景下，并在尾部实体预测方面平均提高了 4.3% 的平均倒数排名。
-
知识图谱与向量数据库结合，增强AI代理记忆
研究人员正在探索改进知识图谱补全（KGC）的新方法，以解决传统三元组预测的局限性。一种方法引入了关系集补全任务（RSC），以推断语义上兼容的缺失关系，并结合关系集嵌入模型（RelSetE）来捕捉现有关系中的潜在模式。另外，一项实际应用突出了企业AI代理中标准检索增强生成（RAG）的挑战，其中向量数据库会破坏数据溯源。为了克服这一点，一种双存储架构将向量数据库与知识图谱配对，使代理能够通过模型上下文协议（MCP）访问语义上下文和硬溯源信息。
-
新的RelBall模型通过新颖的关系建模增强知识图谱补全能力
研究人员推出了一种名为RelBall的新型模型，旨在通过解决现有方法的局限性来改进知识图谱补全。RelBall扩展了Rotate3D模型，通过引入模变换进行分层表示，并采用以尾实体为中心的“关系球”来处理包括一对多在内的各种关系类型。实验表明，在链接预测任务中，RelBall相对于基线模型取得了有竞争力的性能。
-
新研究统一了知识图谱补全（KGC）的解释，并解决了图探索的挑战
研究人员正在探索知识图谱补全（KGC）和探索的新方法。一篇论文提出了一个统一的后验解释分类法，以提高 KGC 的可复现性和评估性。另一篇论文介绍了模型图归纳学习（MGIL），以捕捉全局图结构，实现更准确的链接预测。此外，一项研究确定了阻碍非专业用户与不熟悉知识图谱交互的“初始探索问题”（IEP），并提出了新的界面设计。最后，提出了 TRACE-KG 框架，用于上下文丰富的知识图谱生成，绕过了预定义的模式。
-
新的PROBE框架增强了知识图谱补全模型的评估
研究人员推出了一种新颖的知识图谱补全（KGC）模型评估框架PROBE，解决了现有指标的局限性。PROBE考虑了预测锐度和流行度偏差鲁棒性，这些是常被忽视的属性。配套系统PROBE-Web提供了一个交互式界面，供用户探索这些评估场景并比较KGC模型。
-
Q-GNN 通过实体和类型感知增强知识图谱补全
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。
-
新框架ReaLM融合知识图谱嵌入与大语言模型；研究发现知识图谱嵌入模型不稳定
研究人员开发了ReaLM，一个通过将知识图谱嵌入离散化为可学习的token来连接知识图谱嵌入与大语言模型的新框架。该方法允许符号知识和上下文知识更有效地融合，在基准数据集上表现优于现有方法。另外，一项分析知识图谱嵌入模型的研究发现，高性能模型会产生高度可变的预测和嵌入空间，随机种子和其他随机因素显著影响结果。这种不稳定性引发了对当前知识图谱补全基准测试协议可靠性的担忧。