Kirjaudu sisään
näkemys - 知識グラフ補完
GNNとルールを使用した帰納的知識グラフ補完の分析
ルールベースの方法がGNNに劣る理由を分析し、新しい戦略を提案する。
大規模言語モデルの知識グラフ補完性能の向上
大規模言語モデルの知識グラフ補完性能を向上させるために、知識グラフの構造情報を効果的に取り入れる方法を提案する。
構造的および言語的埋め込みを使用した知識グラフ補完
本研究では、構造的情報と言語的情報の両方を活用することで、知識グラフの関係予測タスクの性能を向上させる。
知識グラフ補完のための多様な知識の統合
MUSE は、事前知識学習、コンテキストメッセージ伝達、関係パス集約の3つの並列コンポーネントを通じて、エンティティの意味表現を強化し、欠落した関係を正確に予測する。
知識グラフ補完のための接続バイアス注意機構の活用
本研究では、経路エンコーディングを使用せずに、接続バイアス注意機構と実体役割埋め込みを導入することで、効率的な知識グラフ補完を実現する。
知識グラフ補完のためのプラグ可能な常識強化フレームワーク
本稿では、事実トリプルと常識の両方を知識グラフ補完（KGC）に組み込む、プラグ可能な常識強化KGCフレームワークを提案する。このフレームワークは、エンティティ概念の豊富さに基づいて異なるKGに適応でき、事実トリプルから明示的または暗黙的な常識を自動的に生成する機能を持つ。
Tuotteet | Materiaalit
© 2024 by Linnk AI