Automatische Erweiterung von Wissensgraph-Hierarchien mithilfe neuronaler Transformer
Durch den Einsatz großer Sprachmodelle können Hierarchien in Wissensgraphen automatisch generiert und erweitert werden, um das Verständnis und die Strukturierung der Daten zu verbessern.
Modell zur nullstellenbasierten logischen Abfragelogik auf beliebigen Wissensgraphen
Ein einzelnes Modell (ULTRAQUERY) kann logische Abfragen auf beliebigen Wissensgraphen mit neuen Entitäten und Relationen in der Nullstellenlogik beantworten.
Erklärungen zur Verbesserung und zum Verständnis von auf Einbettungen basierender Entitätsausrichtung
Unser Framework ExEA kann Erklärungen für die Ergebnisse von auf Einbettungen basierender Entitätsausrichtung generieren und diese Ergebnisse reparieren.
Effiziente Verarbeitung und Analyse von Inhalten zur Gewinnung von Erkenntnissen: Wenige-Schuss-Link-Vorhersage auf n-ären Fakten
Effiziente Methode zur Vorhersage fehlender Entitäten in hyper-relationalen Fakten mit nur wenigen Unterstützungsinstanzen durch Erfassung meta-relationaler Informationen.
Effiziente Verarbeitung und Analyse von Inhalten zur Gewinnung von Erkenntnissen: Ein Programm-basierter Ansatz für zeitliche Wissensgraph-Fragestellung
Ein neuartiges Programm-basiertes Verfahren (Prog-TQA) zur Beantwortung von Fragen mit zeitlicher Absicht über Zeitliche Wissensgraphen, das die Fähigkeiten von Großen Sprachmodellen zur In-Kontext-Generierung von Programmen und eine effektive Selbstverbesserungsstrategie nutzt, um das Verständnis komplexer zeitlicher Fragen zu verbessern.
Effiziente Beantwortung von Mehrbeziehungsfragen über Wissensgraphen durch implizites Einzelschrittschlussfolgern
Durch ein neuartiges, frage-bewusstes Graph-Convolutional-Network-basiertes Modell (QAGCN) können Mehrbeziehungsfragen über Wissensgraphen effizient und effektiv durch implizites Einzelschrittschlussfolgern beantwortet werden.
Effiziente Methoden zur induktiven Vervollständigung von Wissensgraphen mit Graphneuronalen Netzen und Regeln
Regeln und Graphneuronale Netze können effizient kombiniert werden, um die Leistung bei der induktiven Vervollständigung von Wissensgraphen zu verbessern.
Effizientes Verarbeiten und Analysieren von Inhalten zur Gewinnung von Erkenntnissen: Ein Prompt-basierter Rahmen für induktives logisches Abfragemanagement
Ein Prompt-basierter Rahmen, der bestehende Methoden zur Abfrageeinbettung nutzt und die Einbettung von neuen Entitäten durch kontextuelle Informationsaggregation adressiert. Zusätzlich wird ein Abfrage-Prompt eingeführt, um relevante Informationen für die Abfrage ganzheitlich zu erfassen.
Effiziente Verarbeitung und Analyse von Inhalten zur Gewinnung von Erkenntnissen: Ausrichtung von Entitäten mit unmarkierten hängenden Fällen
Wir untersuchen das Problem der Entitätsausrichtung mit unmarkierten hängenden Fällen, bei dem es Entitäten in dem Quell- oder Zielgraphen gibt, die keine Gegenstücke im jeweils anderen haben, und diese Entitäten bleiben unmarkiert. Um dieses Problem zu lösen, schlagen wir einen neuartigen GNN-basierten Rahmen für die Erkennung hängender Entitäten und die Entitätsausrichtung vor.
Effiziente Verarbeitung und Analyse komplexer logischer Abfragen auf Wissensgraphen für Alltagsverstand
Durch Stichprobennahme und Verbalisierung komplexer logischer Abfragen aus einem Wissensgraphen für Alltagsverstand können leistungsfähige Sprachmodelle für komplexes Schlussfolgern trainiert werden, ohne aufwendige manuelle Annotationen.
© 2024 by Linnk AI