Discriminatively Constrained Semi-supervised Multi-view Nonnegative Matrix Factorization with Graph Regularization
siat.ac.cn(siat.ac.cn(注:此处原文仅提供了邮箱,未明确完整机构名,根据要求不提取))
近年来,半监督多视图非负矩阵分解(MVNMF)算法在多视图聚类中取得了很好的性能。然而,大多数半监督MVNMF都未能有效地考虑聚类之间的区分信息和多个视图的特征对齐。本文提出了一种新的判别约束半监督多视图非负矩阵分解算法(DCS^2MVNMF)。具体地说,每个视图的辅助矩阵,这增强了类间的区别引入一个判别加权矩阵。同时,利用标号和几何信息构造了一种新的图正则化方法。此外,我们设计了一种新的特征尺度归一化策略来对齐多个视图,并完成了相应的迭代优化方案。在多个真实世界的多视点数据集上进行的实验证明了该方法的有效性。
2020-10-26 cs.LG
Knowledge Graph Fact Prediction via Knowledge-Enriched Tensor Factorization
University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校)
我们提出了一个家庭的新方法嵌入知识图谱到实值张量。这些基于张量的嵌入捕获了由语义Web语言(如RDF)表示的知识图谱中典型的有序关系。与许多以前的模型不同,我们的方法可以很容易地使用用户提供的或从现有的知识图谱自动提取的先验背景知识。除了为知识图谱嵌入提供更鲁棒的方法外,我们还提供了一个可证明收敛的线性张量分解算法。我们证明了我们的模型在预测八个不同知识图谱的新事实的任务中的有效性,与现有的最先进的知识图谱嵌入技术相比,实现了5%到50%的相对改进。我们的实证评估表明,当图中实体的平均度很高时,所有的张量分解模型都表现良好,基于约束的模型在具有少量高度相似关系的图上表现更好,而基于正则化的模型在具有不同相似度关系的图中占主导地位。
2019-02-08 cs.AI cs.CL cs.LG
Predicting the Co-Evolution of Event and Knowledge Graphs
Siemens AG(西门子股份公司);Ludwig Maximilian University of Munich(慕尼黑大学)
嵌入式学习,又名表示学习已经被证明能够对大规模语义知识图谱进行建模。一个关键概念是将知识图谱映射到张量表示,张量表示的条目由使用广义实体的潜在表示的模型预测。知识图谱通常被视为静态的:当更多的事实变得可用时,知识图谱增长更多的链接,但是与链接相关联的基础真值被认为是时不变的。在本文中,我们解决的问题,知识图谱的三重状态依赖于时间。我们假设知识图谱中的变化总是以事件的形式到达,在这个意义上,事件是通往知识图谱的网关。我们使用知识图谱背景信息和最近事件的信息来训练事件预测模型。通过预测未来事件,我们还预测了知识图谱中可能的变化,从而也获得了知识图谱的演化模型。我们的实验表明,我们的方法在临床应用,推荐引擎和传感器网络应用中表现良好。
2015-12-21 cs.LG
LOKI: Memory-Free Null-Space Constrained Lifelong Knowledge Editing
Department of Electrical and Computer Engineering(电气与计算机工程系)
提出LOKI方法,通过希尔伯特-施密特独立性准则动态选择层,并将梯度更新投影到模型权重的零空间,实现无需访问旧知识的终身知识编辑,平均准确率提升14%。
2026-06-19 cs.AI cs.LG
KCTS: Knowledge-Constrained Tree Search Decoding with Token-Level Hallucination Detection
HKUST(香港科技大学)
提出KCTS解码方法,结合知识分类器评分和MCTS,并引入词元级幻觉检测RIPA,在对话和摘要任务中有效减少幻觉,无需微调。
2023-10-13 cs.AI cs.CL cs.LG
A New Knowledge Gradient-based Method for Constrained Bayesian Optimization
Southern University of Science and Technology(南方科技大学)
黑盒问题在现实生活中很常见,如结构设计、药物实验和机器学习。在优化黑箱系统时,决策者往往综合考虑多个性能指标,通过综合评价给出最终决策。出于这样的实际需要,我们专注于约束黑箱问题的目标和约束缺乏已知的特殊结构,评估是昂贵的,甚至与噪音。提出了一种基于知识梯度法的约束贝叶斯优化方法($c-\rm{KG}$)。考虑到最优性和可行性,提出了一种新的采集函数来确定下一批样本。新的捕获函数的梯度的无偏估计,推导出实现$c-\rm{KG}$的方法。
2021-01-20 cs.AI cs.LG stat.ML
Conditional Constrained Graph Variational Autoencoders for Molecule Design
University of Padua(帕多瓦大学);Fondazione Bruno Kessler(布鲁诺·凯斯勒基金会)
近年来,图的深度生成模型已被用于生成新分子。这些模型产生了良好的效果,导致在文献中的几个建议。然而,这些模型在学习控制化学世界的一些复杂规律时可能会遇到困难。在这项工作中,我们探索使用原子价态的直方图来驱动这种模型中分子的生成。我们提出了条件约束图变分自编码器(CCGVAE),一种在最先进的模型中实现这一关键思想的模型,并在两个常用的分子生成数据集上显示了几个评估指标的改进结果。
2020-09-01 cs.AI cs.LG
Graph World Models for Constrained Epidemic Policy Planning
Virginia Tech(弗吉尼亚理工大学)
提出EpiMind图世界模型框架,通过图分解状态空间模型和ADMM优化实现跨区域受限流行病政策规划,显著降低预测误差并保证资源可行性。
2026-10-12 cs.AI cs.LG
C2G-KD: PCA-Constrained Generator for Data-Free Knowledge Distillation
Department of Engineering, University of Borås(乌尔姆理工大学工程学院);Senior Developer at XXXYYY, Computer Engineering and Data Science(XXXYYY公司计算机工程与数据科学)
提出 C2G-KD 无数据知识蒸馏框架,利用冻结教师、语义与结构损失及每类少至两个样本估计的 PCA 子空间训练类别条件生成器,并在 MNIST 上验证其有效性。
2025-07-24 cs.AI cs.LG
GraphDiffMed: Knowledge-Constrained Differential Attention with Pharmacological Graph Priors for Medication Recommendation
Kyushu Institute of Technology(九州工业大学)
本文提出GraphDiffMed,一种结合噪声感知注意力和药理约束的药物推荐框架,通过双尺度差分注意力在院内和院间层面过滤虚假信号,提升推荐质量和安全性。
2026-03-21 cs.AI cs.LG
SC-LoRA: Balancing Efficient Fine-tuning and Knowledge Preservation via Subspace-Constrained LoRA
Shanghai Qi Zhi Institute(上海启智研究院);Institute for Interdisciplinary Information Sciences, Tsinghua University(清华大学交叉信息研究院);Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);Xiongan AI Institute(雄安人工智能研究院)
针对 LoRA 微调中收敛慢与知识遗忘难以兼顾的问题,提出 SC-LoRA 框架,通过约束适配器输出于低秩子空间,在高效微调的同时显著减少知识遗忘。
2025-10-31 cs.AI cs.LG
Near-Optimal Algorithms for Constrained k-Center Clustering with Instance-level Background Knowledge
School of Mathematics and Statistics, Fuzhou University(福州大学数学与统计学学院);School of Accounting, Information Systems and Supply Chain, RMIT University(皇家墨尔本理工大学会计、信息系统与供应链学院);School of Information Technology, Deakin University(德肯大学信息科技学院);Western Sydney University(西悉尼大学);CSIRO’s Data61(澳大利亚联邦科学与工业研究组织Data61)
针对带必连/勿连约束的k-中心聚类近似难、计算难的问题,结合反向支配集、LP整多面体与对偶技术提出首个达到最优近似比2的高效算法,经真实数据集实验验证在聚类代价、质量与速度上均优于基线。
2025-06-12 cs.AI cs.LG
Resource-constrained knowledge diffusion processes inspired by human peer learning
Ying Wu College of Computing(伍莹计算机学院);New Jersey Institute of Technology(新泽西理工学院)
本文研究资源受限下人工学习者网络中的知识扩散过程,受人类同伴学习启发,通过协调者组建学习小组,实验证明该方法能有效利用资源并设计出抗噪声标签过拟合的模块化神经模型。
2023-12-01 cs.AI cs.LG
Leveraging Knowledge Distillation for Efficient Deep Reinforcement Learning in Resource-Constrained Environments
The Hong Kong Polytechnic University(香港理工大学)
本文通过知识蒸馏优化多种深度强化学习算法,建立评估基准,以降低计算资源需求、提升学习与决策速度,推动资源受限环境下高效智能决策系统的发展。
2023-10-16 cs.AI cs.LG
Scalable Knowledge Refactoring using Constrained Optimisation
University of Oxford(牛津大学);Czech Academy of Sciences Institute of Computer Science (CAS ICS)(捷克科学院计算机科学研究所)
针对知识重构难以扩展的问题,提出基于文字决策变量和线性发明规则的约束优化方法,实现更快且压缩率更高的程序重构。
2024-08-21 cs.AI cs.LO
Knowledge-enriched, Type-constrained and Grammar-guided Question Generation over Knowledge Bases
Southeast University(东南大学);Monash University(莫纳什大学);Indiana University Bloomington(印第安纳大学伯明顿分校)
基于知识库的问题生成(KBQG)旨在生成关于子图的自然语言问题,即一组(连接的)三元组。当前基于编码器-解码器的方法仍然面临两个主要挑战,特别是在小子图上:(1)由于子图中包含的有限信息而导致的低多样性和差流畅性,以及(2)由于解码器对答案实体的语义的遗忘而导致的语义漂移。我们提出了一个创新的知识丰富,类型约束和语法指导的KBQG模型,命名为KTG,以解决上述挑战。在我们的模型中,编码器配备了辅助信息的知识库,和解码器的限制与词的类型在QG。具体地说,实体域和描述,以及关系层次信息被认为是构建问题的背景下,而条件复制机制被纳入调制问题的语义根据当前的词类型。此外,设计了一种新的语法相似性奖励函数,通过强化学习提高生成丰富性和句法正确性。大量的实验表明,我们提出的模型在两个广泛使用的基准数据集SimpleQuestion和PathQuestion上的性能明显优于现有方法。
2020-10-23 cs.AI cs.CL
Safety Alignment via Constrained Knowledge Unlearning
Harbin Institute of Technology, Shenzhen, China(哈尔滨工业大学(深圳));University of Macau, China(澳门大学);Nankai University, China(南开大学);Zhejiang University, China(浙江大学);Peng Cheng Laboratory, China(鹏城实验室);Shaqra University, Saudi Arabia(沙克拉大学)
针对LLM易受越狱攻击的问题,提出约束知识遗忘(CKU)策略,通过定位并保留有用神经元、遗忘有害知识,在提升安全性的同时保持模型性能。
2026-10-19 cs.AI cs.CL
Constrained Structure Learning for Scene Graph Generation
University of Surrey(萨里大学)
作为一种结构化的预测任务,场景图生成的目的是建立一个可视化的场景图,以显式地建模输入图像中的对象及其关系。目前,均值场变分贝叶斯框架是现有方法所使用的事实上的方法,其中无约束推理步骤通常由消息传递神经网络来实现。然而,这种提法未能探索其他推理策略,并在很大程度上忽略了更一般的约束优化模型。在本文中,我们提出了一个约束结构学习方法,并提出了一个显式约束变分推理目标。而不是应用无处不在的消息传递策略,一个通用的约束优化方法-熵镜像下降-被用来解决约束变分推理步骤。我们在各种流行的场景图生成基准上验证了所提出的通用模型,并表明它优于最先进的方法。
2022-01-27 cs.AI cs.CV
SelfPrompt: Autonomously Evaluating LLM Robustness via Domain-Constrained Knowledge Guidelines and Refined Adversarial Prompts
Waseda University(早稻田大学);Southeast University(东南大学)
针对传统LLM鲁棒性评估依赖标准化基准导致成本高、领域受限的问题,提出SelfPrompt框架,利用领域约束知识图谱生成精炼对抗性提示,让LLM自主评估鲁棒性,在多模型测试中减少传统数据依赖并实现高效针对性评估。
2024-12-01 cs.AI cs.CL
KC-GenRe: A Knowledge-constrained Generative Re-ranking Method Based on Large Language Models for Knowledge Graph Completion
Defense Innovation Institute, Academy of Military Sciences(军事科学院国防创新研究院);Information Research Center of Military Science(军事科学信息研究中心);National Key Laboratory of Parallel and Distributed Computing(并行与分布计算国家重点实验室)
提出基于大语言模型的知识约束生成式重排序方法KC-GenRe,通过候选标识符排序生成、知识引导交互训练和知识增强约束推理解决不匹配、错序和遗漏问题,在四个数据集上达到SOTA。
2024-03-26 cs.AI
Structured Graph Network for Constrained Robot Crowd Navigation with Low Fidelity Simulation
University of Illinois, Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
提出结构化图网络与注意力机制,利用低保真仿真分离人类与障碍物表示,减少sim2real差距,提升约束人群导航性能。
2024-05-28 cs.AI cs.LG cs.RO
Constrained Entity Selection under Partial Knowledge for LLM-Based Knowledge Graph QA
Brandenburg University of Applied Sciences(勃兰登堡应用技术大学)
针对现有大语言模型知识图谱问答方法的缺陷,提出CES-PK方法,通过轻量符号约束验证LLM生成的候选答案,在Hetionet上验证,实现精确率提升且保持召回率。
2026-08-26 cs.AI
Null Space Constrained Contrastive Visual Forgetting for MLLM Unlearning
School of Computer Science and Technology, Xidian University(西安电子科技大学计算机科学与技术学院);Xi’an Jiaotong University(西安交通大学)
本文提出一种MLLM反学习方法,通过冻结LLM主干并微调视觉模块,在保留非目标视觉知识和全部文本知识的同时,有效遗忘目标视觉知识。
2026-05-07 cs.AI
CaseEdit: Enhancing Localized Commonsense Reasoning via Null-Space Constrained Knowledge Editing in Small Parameter Language Models
University of Virginia(弗吉尼亚大学)
CaseEdit通过零空间约束的AlphaEdit方法,在小参数模型中实现局部常识知识编辑,提升可靠性、泛化性等,优于其他方法。
2025-05-26 cs.AI
Fast Knowledge Graph Completion using Graphics Processing Units
ETRI(韩国电子通信研究院)
针对知识图谱补全中向量运算成本高的问题,提出基于GPU的框架,将可转换为度量空间的模型的补全问题转为相似连接问题,推导公式并开发快速算法,实验验证了高效性。
2023-07-22 cs.AI cs.DB cs.LG
Towards Loosely-Coupling Knowledge Graph Embeddings and Ontology-based Reasoning
Technische Universität Berlin(柏林工业大学);Sapienza University of Rome(罗马第一大学)
知识图谱完成(又名~链接预测),即~从知识图谱推断缺失信息的任务是在诸如产品推荐和问答的许多应用中广泛使用的任务。知识图谱嵌入和/或规则挖掘和推理的现有技术方法是数据驱动的,因此仅基于输入知识图谱包含的信息。这导致不令人满意的预测结果,使得这种解决方案不适用于关键领域,如医疗保健。为了进一步提高知识图谱完成的准确性,我们提出将知识图谱嵌入的数据驱动能力与源于专家或蕴涵机制的特定于领域的推理(例如,OWL2)。通过这种方式,我们不仅可以利用输入知识图谱中可能不包括的领域知识来提高预测精度,而且还允许用户插入他们自己的知识图谱嵌入和推理方法。我们的初步结果表明,我们提高了香草知识图谱嵌入的MRR精度高达3倍,并优于混合解决方案,结合知识图谱嵌入与规则挖掘和推理高达3.5倍MRR。
2022-07-04 cs.AI cs.DB cs.LG
Knowledge Fusion via Embeddings from Text, Knowledge Graphs, and Images
Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院)
我们提出了一个跨模态知识融合的基线方法。不同的基本融合方法进行评估现有的嵌入方法,以显示潜在的加入知识的某些概念跨模态融合的概念表示。
2017-04-20 cs.AI cs.LG stat.ML
Knowledge Graphs: Opportunities and Challenges
Federation University Australia(澳大利亚联邦大学);RMIT University(皇家墨尔本理工大学);The Open University(英国开放大学)
随着人工智能(AI)和大数据的爆炸式增长,适当地组织和表示大量知识变得至关重要。作为图形数据,知识图谱积累并传达现实世界的知识。知识图谱能够有效地表示复杂信息,因此近年来迅速受到学术界和工业界的关注。因此,为了更深入地理解知识图谱,本文对这一领域进行了系统的概述。具体而言,我们关注知识图谱的机遇和挑战。我们首先从两个方面回顾了知识图谱的机会:(1)基于知识图谱构建的人工智能系统;(2)知识图谱的潜在应用领域。然后,我们深入讨论了该领域的严峻的技术挑战,如知识图嵌入,知识获取,知识图谱完成,知识融合,知识推理。我们期望这一调查将为知识图谱的未来研究和发展提供新的思路。
2023-03-24 cs.AI
Entropy-Constrained Strategy Optimization in Urban Floods: A Multi-Agent Framework with LLM and Knowledge Graph Integration
College of Intelligence and Computing(智能与计算学院)
针对城市洪水应急调度中竞争目标平衡、环境动态变化及LLM策略不稳定问题,提出集成知识引导提示与熵约束生成的H-J分层多智能体框架,在真实数据上验证其优于基准模型的交通流畅度、任务成功率与鲁棒性。
2025-08-20 cs.AI
Graph Transformer GANs for Graph-Constrained House Generation
ETH Zurich(苏黎世联邦理工学院);Tencent Youtu Lab(腾讯优图实验室);Picsart AI Research(Picsart人工智能研究院);University of Trento(特伦托大学);University of Wurzburg(维尔茨堡大学);KU Leuven(鲁汶大学)
我们提出了一种新的图Transformer生成对抗网络(GTGAN),以端到端的方式学习有效的图节点关系,以完成具有挑战性的图约束房屋生成任务。所提出的基于图-Transformer的生成器包括新颖的图Transformer编码器,该编码器在Transformer中结合图卷积和自关注来对连接和非连接图节点之间的局部和全局交互进行建模。具体而言,所提出的连接节点注意力(CNA)和非连接节点注意力(NNA)旨在分别捕获输入图中连接节点和非连接节点之间的全局关系。建议的图形建模块(GMB)的目的是利用本地顶点的相互作用的基础上的房子布局拓扑结构。此外,我们提出了一个新的节点分类为基础的机器学习,以保持高层次的语义和歧视性的节点功能,为不同的房子组件。最后,我们提出了一种新的基于图的周期一致性损失,旨在保持地面实况和预测图之间的相对空间关系。两个具有挑战性的图约束的房屋生成任务(即,房屋布局和屋顶生成)与两个公共数据集证明了GTGAN在客观定量分数和主观视觉现实主义方面的有效性。在这两项任务上都取得了新的最先进的成果。
2023-03-14 cs.AI cs.CV
Distilling Script Knowledge from Large Language Models for Constrained Language Planning
Fudan University(复旦大学);Brain Technologies, Inc.(脑科技公司);System Inc.(系统公司);Fudan-Aishu Cognitive Intelligence Joint Research Center(复旦-爱数认知智能联合研究中心)
本文首次定义约束语言规划任务,提出先过度生成再过滤的方法并构建含 55,000 个脚本的 CoScript 数据集,有效提升大模型及小模型在约束条件下的语言规划能力。
2023-05-26 cs.AI cs.CL
Retrieval-Constrained Decoding Reveals Underestimated Parametric Knowledge in Language Models
Télécom Paris, Institut Polytechnique de Paris(巴黎电信学院,巴黎理工学院);Université Paris-Saclay, CentraleSupélec, Inria(巴黎萨克雷大学,中央理工-SUPÉLEC,Inria)
针对严格评估因答案表层形式不同而低估语言模型参数知识的问题,提出 RCD 解码策略,并通过 YAGO-QA 数据集证明其可显著提升开源 LM 的问答 F1。
2025-09-27 cs.AI cs.CL
Structural Quality Metrics to Evaluate Knowledge Graphs
本文提出了六种结构质量度量标准,可以衡量知识图谱的质量,并分析了五种跨领域的知识图谱(Wikidata,DBpedia,YAGO,Google知识图谱,Freebase)以及Naver的集成知识图谱“Raftel”。“好的知识图谱”应该在其本体中定义详细的类和属性,以便可以丰富地表达现实世界中的知识。此外,实例和RDF三元组应该积极使用类和属性。因此,我们试图通过关注本体的结构(即知识图谱的模式)及其使用程度来用数字检查知识图谱的内部质量。分析的结果是,有可能发现仅通过类和属性的数量等与规模有关的指标无法了解的知识图谱的特征。
2022-12-09 cs.AI
Billion-scale Pre-trained E-commerce Product Knowledge Graph Model
Zhejiang University(浙江大学);Alibaba Group(阿里巴巴集团);University of Macao(澳门大学)
近年来,知识图谱被广泛应用于以统一的方式组织数据,并增强了许多需要知识的任务,例如,极大地方便了人们生活的在线购物。作为网络购物平台的骨干,我们构建了亿级电子商业产品知识图谱,用于商品推荐等各类商品知识服务。然而,这样的知识服务通常包括繁琐的数据选择和模型设计的知识注入,这可能会带来不适当的结果。因此,为了避免这个问题,我们提出了一个针对亿级电子商业产品知识图谱的预训练知识图谱模型(PKGM),在不访问知识图谱中三元数据的情况下,为基于嵌入的模型提供统一的项目知识服务。值得注意的是,PKGM还可以在服务期间完成知识图谱,从而克服知识图谱中常见的不完整性问题。我们测试PKGM在三个知识相关的任务,包括项目分类,相同的项目识别,并建议。实验结果表明,PKGM成功地提高了每个任务的性能。
2021-05-02 cs.AI
Graph Constrained Reinforcement Learning for Natural Language Action Spaces
Georgia Institute of Technology(佐治亚理工学院);Microsoft Research(微软研究院)
交互式小说游戏是基于文本的模拟,其中代理纯粹通过自然语言与世界交互。它们是研究如何扩展强化学习代理以应对组合大文本动作空间中的自然语言理解、部分可观察性和动作生成挑战的理想环境。我们提出了KG-A2 C,一个代理,建立一个动态的知识图谱,同时探索和生成使用基于模板的动作空间的行动。我们认为,知识图谱的双重用途,以原因有关的游戏状态和约束自然语言生成的组合大自然语言行动的可扩展性探索的关键。各种IF游戏的结果表明,KG-A2 C优于当前的IF代理,尽管动作空间大小呈指数级增长。
2020-01-23 cs.AI cs.CL cs.LG
CGIBNet: Bandwidth-constrained Communication with Graph Information Bottleneck in Multi-Agent Reinforcement Learning
Zhejiang University(浙江大学);Chinese University of Hong Kong (Shenzhen)(香港中文大学(深圳));Huawei Technologies(华为技术有限公司)
通信是协作多智能体强化学习(MARL)的核心组成部分之一。在许多实际应用中,通信带宽总是受到一定的限制。为了提高通信效率,在这篇文章中,我们提出了同时优化谁通信和通信MARL中的每个代理。通过有向完全图启动Agent之间的通信,提出了一种新的通信模型--通信图信息瓶颈网络(CGIBNet),利用图信息瓶颈原理同时压缩图结构和节点信息.图结构压缩的目的是削减冗余的边缘,以确定与谁进行通信。节点信息压缩旨在通过学习紧凑的节点表示来解决通信内容的问题。此外,CGIBNet是带宽受限通信的第一个通用模块,可应用于各种训练框架(即,基于策略和基于价值的MARL框架)和通信模式(即,单轮和多轮通信)。在交通控制和星际争霸II环境中进行了大量的实验。结果表明,我们的方法可以实现更好的性能在带宽受限的设置相比,国家的最先进的算法。
2022-12-30 cs.AI cs.MA
Structure Over Scale: Schema-Constrained Causal Graphs for RAG
Boston Consulting Group(波士顿咨询集团)
研究针对GraphRAG问题,提出HCG-RAG,用模式约束因果图取代开放式提取,构建紧凑两层图。该方法成本低,答案质量优,在医学等基准测试中表现出色,对比实验显示因果图作为检索过滤器有优势,表明图内容比节点数量更重要。
2026-07-28 cs.AI cs.CL cs.IR
AlphaEdit: Null-Space Constrained Knowledge Editing for Language Models
University of Science and Technology of China(中国科学技术大学);National University of Singapore(新加坡国立大学)
AlphaEdit通过将知识编辑的扰动投影到保留知识的零空间,避免破坏原有知识,平均提升定位-编辑方法性能36.7%。
2025-04-22 cs.AI cs.CL
Graph Pattern Entity Ranking Model for Knowledge Graph Completion
SOKENDAI(综合研究大学院大学);National Institute of Informatics(国立信息学研究所)
近年来,知识图谱发展迅速,其有用性已在许多人工智能任务中得到证明。然而,知识图谱往往有很多缺失的事实。为了解决这个问题,许多知识图谱嵌入模型已经被开发出来填充知识图谱,这些都表现出出色的性能。然而,知识图谱嵌入模型是所谓的黑盒,并且用户不知道如何处理知识图谱中的信息,并且模型可能难以解释。在本文中,我们利用知识图谱中的图形模式来克服这些问题。我们提出的模型,{ \it图形模式实体排名模型}(GRank),构建了一个实体排名系统,为每个图形模式,并评估他们使用的排名措施。通过这样做,我们可以找到对预测事实有用的图形模式。然后,我们在标准数据集上执行链接预测任务,以评估我们的GRank方法。我们表明,我们的方法优于其他国家的最先进的方法,如ComplEx和TorusE的标准指标,如HITS@{ \it n}和MRR。此外,我们的模型是很容易解释的,因为输出的事实描述的图形模式。
2019-04-05 cs.AI cs.CL
Neural, Symbolic and Neural-Symbolic Reasoning on Knowledge Graphs
Renmin University of China(中国人民大学)
知识图谱推理是支持信息抽取、信息检索和推荐等机器学习应用的基本组成部分。由于知识图谱可以被看作是知识的离散符号表示,因此知识图谱上的推理可以自然地利用符号技术。然而,符号推理是不容忍的歧义和噪音的数据。相反,深度学习的最新进展促进了知识图谱上的神经推理,这对模糊和噪声数据具有鲁棒性,但与符号推理相比缺乏可解释性。考虑到这两种方法的优点和缺点,最近的努力已经取得了这两种推理方法相结合。在这篇综述中,我们深入研究了知识图谱上的符号推理、神经推理和混合推理的发展。我们调查两个具体的推理任务,知识图完成和知识图谱上的问答,并解释他们在一个统一的推理框架。我们还简要讨论了知识图谱推理的未来发展方向。
2021-03-31 cs.AI cs.LO
Querying in the Age of Graph Databases and Knowledge Graphs
Universidad Católica(智利天主教大学);IMFD(IMFD(智利数学与计算机科学研究所));Universidad de Chile(智利大学)
图表已经成为我们所知的表示知识的最佳方式。计算社区已经研究并开发了通过数字技术来管理图形的支持。图形数据库和知识图谱表面作为最成功的解决方案,这一计划。本文档的目标是提供这些开发的基础数据管理任务的概念图,特别关注数据模型和图形的查询语言。
2021-06-25 cs.AI cs.DB
A Survey on Knowledge Graphs: Representation, Acquisition and Applications
Aalto University(阿尔托大学);Monash University(莫纳什大学);Nanyang Technological University(南洋理工大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
人类知识提供了对世界的正式理解。表示实体之间结构关系的知识图谱已经成为认知和人类智能的一个日益流行的研究方向。本文对知识图谱的研究现状进行了综述,包括1)知识图谱的表示学习、2)知识获取和完成、3)时态知识图谱、4)知识感知应用等方面的研究,并总结了近期的突破和展望方向,以促进未来的研究。我们提出了一个完整的视图分类和新的分类这些主题。知识图谱嵌入从表示空间、评分函数、编码模型和辅助信息四个方面进行组织。对于知识获取,特别是知识图谱的完善,嵌入方法,路径推理和逻辑规则推理,进行了综述。我们进一步探讨了几个新兴的主题,包括Meta关系学习,常识推理和时间知识图谱。为了促进未来对知识图谱的研究,我们还提供了一个针对不同任务的数据集和开源库的精选集合。最后,对几个有前景的研究方向进行了展望.
2021-04-01 cs.AI cs.CL
Learning High-order Structural and Attribute information by Knowledge Graph Attention Networks for Enhancing Knowledge Graph Embedding
Tencent Inc(腾讯公司)
知识图谱表示学习的目标是将实体和关系编码到一个低维的嵌入空间中。最近的许多工作已经证明了知识图谱嵌入知识图谱完成任务的好处,如关系抽取。然而,我们注意到:1)现有方法只考虑实体间的直接关系,无法表达实体间的高阶结构关系; 2)这些方法只利用KG的关系三元组,而忽略了大量编码丰富语义信息的属性三元组。为了克服这些局限性,本文提出了一种新的知识图谱嵌入方法,命名为KANE,这是最近的发展的启发图卷积网络(GCN)。KANE在图卷积网络的框架下,能够高效、清晰、统一地捕捉知识群的高阶结构和属性信息。三个数据集的实证结果表明,KANE显着优于七个国家的最先进的方法。进一步的分析验证了我们的方法的有效性和注意力机制带来的好处。
2019-10-10 cs.AI cs.CL
Knowledge Aware Conversation Generation with Explainable Reasoning over Augmented Graphs
Baidu Inc.(百度公司)
研究了两类知识,即来自知识图谱的三元组和来自文档的文本,用于知识感知的开域会话生成,其中图谱路径可以为知识选择决策缩小顶点候选,文本可以为响应生成提供丰富的信息.知识图谱与文本的融合可能会产生相互增强的优势,但这方面的研究较少。为了解决这一挑战,我们提出了一个知识意识聊天机三个组件,一个增强的知识图谱与三元组和文本,知识选择器,知识意识的响应生成器。对于图上的知识选择,我们将其表述为多跳图推理问题,以有效地捕获会话流,与以前的工作相比,这是更可解释和灵活的。为了充分利用将我们的图与其他图区分开来的长文本信息,我们使用机器阅读理解技术改进了最先进的推理算法。我们证明了我们的系统在两个数据集上与最先进的模型相比的有效性。
2019-09-03 cs.AI cs.CL
KG-BERT: BERT for Knowledge Graph Completion
Northwestern University(西北大学)
知识图谱是许多人工智能任务的重要资源,但往往遭受不完整性。在这项工作中,我们建议使用预先训练的语言模型来完成知识图谱。本文将知识图谱中的三元组视为文本序列,提出了一种新的知识图谱双向编码器表示Transformer(KG-BERT)框架来建模这些三元组。该方法以三元组的实体描述和关系描述为输入,利用KG-BERT语言模型计算三元组的评分函数。在多个基准知识图谱上的实验结果表明,该方法在三重分类、链接预测和关系预测等任务中均能取得较好的性能.
2019-09-11 cs.AI cs.CL
SonoEdit: Null-Space Constrained Knowledge Editing for Pronunciation Correction in LLM-Based TTS
TU Darmstadt(图宾根大学);UMD(马里兰大学);Smallest AI(最小AI)
SonoEdit通过空域约束编辑技术,无需重新训练即可修正预训练TTS模型中特定词汇的发音错误,同时保持其他行为不变。
2026-01-23 cs.AI cs.SD eess.AS
Construction and Application of Teaching System Based on Crowdsourcing Knowledge Graph
Guangzhou University(广州大学);School of Computer Science and Cyber Engineering(计算机与网络工程学院);School of Education(教育学院)
通过众包知识图谱与教学系统的结合,研究了知识图谱的生成方法及其应用。利用众包任务分配和反向验证码生成两种众包方法构建教学系统领域的知识图谱。以学校、学生、教师、课程、知识点、习题类型为节点,生成教学领域完整的层次化知识图谱。众包方式构建的知识图谱需要多用户协同参与,充分考虑教师引导和用户动员问题。基于知识图谱的三个子图,可以可视化优秀教师、学生学习情况和合适的学习路线。个性化习题推荐模型是利用基于知识图谱的算法来制定个性化习题。开发了协同创作模型,实现众包构建机制。尽管学习者对知识图谱的学习模式并不熟悉,对知识结构的关注度也不高,但基于众包知识图谱的系统仍然能够得到师生的高度认可
2020-10-18 cs.AI cs.CL cs.DB