Leveraging Knowledge Graph Embedding for Effective Conversational Recommendation
School of Computer Science and Engineering, Nanyang Technological University（南洋理工大学计算机科学与工程学院）；RIIS & SIME, Shanghai University of Finance and Economics（上海财经大学RIIS与SIME机构）；China Mobile Research Institute（中国移动研究院）
本文提出KG-CRS，通过将用户-物品图与物品-属性图融合为动态图并利用邻居传播学习嵌入，有效建模属性、用户和物品间关系，在三个数据集上验证了其在推荐和对话任务中的优越性。
2024-08-02 cs.AI cs.IR
Geometric Models for (Temporally) Attributed Description Logics
DI ENS, ENS, CNRS, PSL University & Inria（巴黎高等师范学校计算机科学系、巴黎高等师范学校、法国国家科学研究中心、巴黎文理研究大学及法国国家信息与自动化研究所）；University of Bergen（卑尔根大学）；University of Edinburgh（爱丁堡大学）
在寻找能够捕获本体知识的知识图谱嵌入的过程中，最近引入了存在规则的几何模型。它已被证明，凸几何区域捕获所谓的准链式规则。属性描述逻辑（DL）的定义是为了弥合DL语言和知识图谱之间的差距，知识图谱的事实往往带有各种各样的注释，可能需要考虑推理。特别是，时间属性DL丰富的特定属性，其语义允许一些时间推理。考虑到几何模型和（时间）属性DL是很有前途的工具设计的知识图谱，本文研究了它们的兼容性，侧重于一个霍恩方言的DL-Lite家庭的属性版本。我们首先适应的几何模型的定义，属性DL和显示，每个可满足的本体有一个凸的几何模型。我们的第二个贡献是时间属性的影响的研究。我们表明，时间属性DL可能没有一个凸的几何模型一般，但我们可以恢复几何可满足性施加一些限制的时间属性的使用。
2021-08-27 cs.AI cs.LO
Discrete Knowledge Graph Embedding based on Discrete Optimization
Rutgers University（罗格斯大学）；JD Finance America Corporation（京东金融美国公司）；University College London（伦敦大学学院）
提出一种离散知识图谱（KG）嵌入方法（DKGE），该方法基于一种易于计算的离散优化算法将KG实体和关系投影到汉明空间中，以解决传统连续图嵌入方法中存储和计算开销大的问题.理论上可以保证DKGE的收敛性。大量的实验表明，DKGE实现了优越的精度比经典的散列函数，映射到离散代码的有效连续嵌入。此外，与许多连续图嵌入方法相比，DKGE以低得多的计算复杂性和存储达到相当的精度。
2021-01-13 cs.AI cs.CL cs.IR
Verifiable Knowledge Expansion through Retrieval-Grounded Formal Concept Analysis
Hanyang University（汉阳大学）
提出一种检索增强的小语言模型框架，利用形式概念分析作为符号验证循环，通过种子属性和检索验证实现知识扩展，在罕见共济失调数据集上评估了关系F1和蕴含F1。
2026-07-03 cs.AI
An extended description logic system with knowledge element based on ALC
Yunnan Normal University（云南师范大学）；Universidad Politécnica de Cartagena（卡塔赫纳理工大学）
随着知识管理和知识经济的兴起，直接联系和体现知识系统的知识要素成为某些领域的研究热点和热点。现有的知识元表示方法在处理形式、逻辑和推理等方面的功能有限。在描述逻辑ALC和公共知识元模型的基础上，为了描述知识元，对描述逻辑ALC进行了扩展。该概念被扩展为两个不同的概念（即对象知识元概念和属性知识元概念）。将对象知识元概念与属性知识元概念之间的关系扩展为3种（即对象知识元概念与属性知识元概念之间的关系、对象知识元概念之间的关系、属性知识元概念之间的关系），并增加了逆关系构造器，提出了一种描述逻辑KEDL系统。通过论证，得到了所描述的逻辑系统KEDL的完备性、可靠性等有关性质。最后通过实例验证了描述逻辑KEDL系统具有较强的知识元描述能力。
2019-04-16 cs.AI cs.LO
XML framework for concept description and knowledge representation
基于XML的树结构隐含了属性演算定义的概念的逻辑结构，给出了一个概念描述的XML框架。特别是，属性值表示是可实现的XML框架。由于属性-值表示是人工智能中表示知识的重要方式，因此该框架提供了比强大的RDF技术更进一步和更简单的方法。
2004-04-14 cs.AI cs.LO
Identifying and Explaining Discriminative Attributes
University of Manchester（曼彻斯特大学）
识别一个词的意思的中心是什么以及是什么将它与其他词区分开来是一项基本的自然语言推理任务。本文描述了一个显式的词向量表示模型（WVM），以支持鉴别属性的识别。本文的一个核心贡献是定量和定性比较分析不同类型的数据源和知识库的建设可解释和明确的WVM：（i）知识图谱建立从字典定义，（ii）实体属性关系图来自图像和（iii）常识知识图谱。使用详细的定量和定性分析，我们证明了这些数据源具有互补的语义方面，支持创建明确的语义向量空间。显式向量空间使用判别属性识别任务进行评估，显示出与任务中最先进的系统相当的性能（F1得分= 0.69），同时提供完整的模型透明度和可解释性。
2019-09-05 cs.AI cs.CL
Understand the Dynamic World: An End-to-End Knowledge Informed Framework for Open Domain Entity State Tracking
Virginia Tech（弗吉尼亚理工大学）
本文提出端到端知识增强框架 KIEST，利用 ConceptNet 检索与动态知识粒度编解码及一致性约束，生成开放域中任意数量的实体状态变化，并在 OpenPI 上显著超过基线。
2023-04-26 cs.AI
LLM-Based Knowledge Graph Completion Combining Discrete Structural Coding with Similar Entity Information
University of Galway（戈尔韦大学）
针对现有基于LLM的知识图谱补全方法的不足，提出结合离散结构编码与相似实体信息的CoSC方法，在FB15k-237数据集上取得更优性能。
2026-09-01 cs.AI
BioBLP: A Modular Framework for Learning on Multimodal Biomedical Knowledge Graphs
Vrije Universiteit Amsterdam（荷兰阿姆斯特丹自由大学）；University of Amsterdam（阿姆斯特丹大学）；Elsevier B.V.（埃森哲公司）；Discovery Lab, Elsevier（埃森哲发现实验室）
本文提出BioBLP框架，用于处理多模态生物医学知识图谱中的实体属性，支持不同模态的数据编码及缺失属性处理，并通过预训练策略提升训练效率，在药物-蛋白质相互作用预测任务中表现优于基线方法。
2023-06-06 cs.AI
Cross-platform Product Matching Based on Entity Alignment of Knowledge Graph with RAEA model
The Laboratory for AI-Powered Financial Technologies（人工智能赋能金融科技实验室）；School of Data Science, City University of Hong Kong（数据科学学院）；College of Intelligence and Computing, Tianjin University（智能与计算学院）
本文提出RAEA模型，通过结合属性和关系三元组的交互，提升跨平台产品匹配的准确性。
2025-12-08 cs.AI
RADD: Retrieval-Anchored Discrete Diffusion for Multi-Modal Knowledge Graph Completion
School of Artificial Intelligence, Beihang University（北航人工智能学院）
本文提出RADD框架，通过分离检索与重排序过程，提升多模态知识图谱补全的性能，实验表明其在多个基准上表现最佳。
2026-10-20 cs.AI
Automatic Semantic Modeling for Structural Data Source with the Prior Knowledge from Knowledge Base
Huazhong Agricultural University（华中农业大学）；Hubei HongShan Laboratory（湖北洪山实验室）；University of South Australia（南澳大学）；Wuhan University（武汉大学）；Macro Agricultural Research Institute（宏观农业研究院）
在线共享语义内容的关键步骤是将结构化数据源映射到公共领域本体。这个问题被表示为实体到本体映射问题（Rel2Onto）。手动建模数据的语义需要大量的工作和专业知识。因此，需要一种用于学习数据源的语义的自动方法。现有的工作大多研究源属性的语义标注。然而，虽然关键，自动推断属性之间的关系的研究是非常有限的。在本文中，我们提出了一种新的方法，语义注释结构化数据源使用机器学习，图匹配和修改频繁子图挖掘，以修改候选模型。在我们的工作中，知识图谱被用作先验知识。我们的评估表明，我们的方法优于两个国家的最先进的解决方案，在棘手的情况下，只有少数语义模型是已知的。
2022-12-21 cs.AI
Rethinking Language Models as Symbolic Knowledge Graphs
Megagon Labs（Megagon实验室）
本研究针对语言模型能否涵盖知识图谱复杂拓扑与语义属性的评估空白，构建9项定性基准及对应指标，经多规模模型评测发现其事实回忆潜力可观但拓扑语义捕捉能力受限，且大模型并非全面优于小模型。
2023-08-25 cs.AI cs.CL cs.LG
Knowledge Representation Issues in Semantic Graphs for Relationship Detection
国土安全部的一项重要任务是预测威胁漏洞，例如通过检测看似不相交的实体之间的关系。用于该任务的结构是“语义图”，也称为“关系数据图”或“属性关系图”。这些图将关系编码为一对“类型化”节点之间的“类型化”链接。事实上，语义图与人工智能中使用的语义网络非常相似。节点和链接类型通过本体图（也称为模式）相关联。此外，每个节点具有与其相关联的属性集合（例如，“年龄”可以是类型“人”的节点的属性）。不幸的是，节点和链接的类型和属性的选择取决于人类的专业知识，并且有些主观甚至是任意的。这种主观性将偏见引入到任何对语义图进行操作的算法中。在这里，我们提出了一些知识表示的语义图的问题，并提供了一些可能的解决方案，使用最近开发的想法在复杂网络领域。特别是，我们使用传递性的概念来评估在语义图中的各个链接的相关性，以检测关系。我们还提出了新的语义图的统计措施，并说明这些语义图上的电影和恐怖主义数据构建的措施。
2005-04-14 cs.AI physics.soc-ph
KGNN: Distributed Framework for Graph Neural Knowledge Representation
Ant Financial Services Group（蚂蚁金融服务集团）；Beijing University of Posts and Telecommunications（北京邮电大学）
知识表示学习已被普遍采用以将知识图谱（KG）并入各种在线服务中。现有的知识表示学习方法虽然取得了很大的性能提升，但它们忽略了知识的高阶结构和丰富的属性信息，导致在语义丰富的知识生成器上性能不佳。此外，它们不能以归纳的方式进行预测，并且不能扩展到大型工业图。为了解决这些问题，我们开发了一个新的框架称为KGNN充分利用知识数据的表示学习在分布式学习系统。KGNN配备了基于GNN的编码器和知识感知解码器，旨在以细粒度的方式共同探索高阶结构和属性信息，并分别保留KG中的关系模式。在链接预测和三元组分类任务的三个数据集上进行的大量实验证明了KGNN框架的有效性和可扩展性。
2022-05-17 cs.AI cs.LG
Scalable Uncertainty Reasoning in Knowledge Graphs
University of Stuttgart, Stuttgart, Germany（斯图加特大学）
本文提出模块化框架，通过定制技术处理知识图谱中不确定性三个层次：概率属性值、概率三元组存在性和不完整模式知识，旨在平衡语义精度与计算可行性。
2026-05-15 cs.AI
UniKG: A Benchmark and Universal Embedding for Large-Scale Knowledge Graphs
Nanjing University of Science and Technology（南京理工大学）
本文构建了源自Wikidata的大规模异构图基准UniKG，并提出语义对齐策略和各向异性传播模块（APM），以实现多属性实体间的高效信息传播，推动大规模知识图表示学习。
2023-09-11 cs.AI cs.LG
Revisiting Initializing Then Refining: An Incomplete and Missing Graph Imputation Network
National University of Defense Technology（国防科技大学）；Chongqing University of Posts and Telecommunications（重庆邮电大学）；Hainan University（海南大学）；Hainan blockchain technology engineering research center（海南区块链技术工程研究中心）
随着社交网络和知识图谱等各种应用的发展，图数据在现实世界中已经无处不在。不幸的是，在数据汇集过程中，由于隐私保护政策或版权限制，图通常会缺失。图形数据缺失大致可以分为属性不完整和属性缺失两种情况。具体地，属性不完整表示所有节点的部分属性向量不完整，而属性缺失表示部分节点的全部属性向量缺失。虽然已经投入了许多努力，但没有一个是针对同时存在两种类型的图形数据缺失的常见情况定制设计的。为了填补这一空白，我们开发了一种新的网络，称为重新初始化，然后细化（RITR），在那里我们完成属性不完整和属性缺失的样本的指导下，一个新的初始化，然后细化插补标准。具体来说，对于属性不完备样本，首先在网络学习前使用高斯噪声对不完备属性进行初始化，然后引入结构-属性一致性约束，通过将结构-属性相关矩阵近似为高阶结构矩阵来细化不完备值.为了完成属性缺失样本，首先采用属性缺失样本的结构嵌入作为嵌入初始值，然后根据一个动态的亲和度结构自适应地聚合属性缺失样本的可靠信息，对这些初始值进行细化.据我们所知，这种新设计的方法是第一个致力于处理混合缺失图的无监督框架。在四个数据集上进行的大量实验已经证实，我们的方法始终优于现有的最先进的竞争对手。
2023-02-15 cs.AI cs.LG
Simple and Effective Knowledge-Driven Query Expansion for QA-Based Product Attribute Extraction
Rakuten Institute of Technology（乐天技术研究所）；Rakuten Group Inc.（乐天集团）；Institute of Industrial Science（工业科学研究所）；the University of Tokyo（东京大学）
电子商务网站属性值提取的一个关键问题是如何处理大量不同产品的属性。虽然这个挑战部分地解决了问答（QA）的方法，找到一个给定的查询（属性）的产品数据中的值，它不工作，有效地为罕见的和模糊的查询。因此，我们提出了简单的知识驱动的查询扩展的基础上可能的答案（值）的查询（属性）的基于QA的AVE。我们从训练数据中检索查询（属性）的值以扩展查询。我们用知识丢弃和知识令牌混合两种技巧来训练模型，模拟测试中价值知识的不完全性。在AliExpress数据集的清理版本上的实验结果表明，我们的方法提高了AVE的性能（+6.08宏F1），特别是对于罕见和模糊的属性（分别为+7.82和+6.86宏F1）。
2022-06-28 cs.AI cs.CL
A Knowledge-Driven Approach to Classifying Object and Attribute Coreferences in Opinion Mining
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Amazon AI（亚马逊人工智能）
分类和解析对象的共指（例如，产品名称）和属性（例如，产品方面）对于提高意见挖掘性能是至关重要的。然而，这项任务是具有挑战性的，因为人们经常需要考虑特定领域的知识（例如，iPad是一款平板电脑，具有方面分辨率），以识别固执己见的评论中的共指。此外，为每个领域编译一个手工制作和策划的特定领域知识库是非常耗时和艰巨的。本文提出了一种自动挖掘和利用特定领域知识对对象和属性共指进行分类的方法。该方法从未标记的评论数据中提取特定领域的知识，并训练知识感知神经共指分类模型，以利用（有用的）领域知识和一般常识知识来完成任务。在涉及五个领域（产品类型）的真实数据集上的实验评估表明了该方法的有效性。
2021-07-17 cs.AI cs.CL
AKGNet: Attribute Knowledge-Guided Unsupervised Lung-Infected Area Segmentation
School of Computer Science, Carleton University（卡尔顿大学计算机科学学院）
针对现有肺部感染区域分割方法依赖人工标注的问题，提出无监督框架AKGNet，通过属性知识学习、交叉注意力融合及伪标签自训练实现无掩码标注的精准分割，性能优于现有无监督分割技术。
2024-04-17 cs.AI cs.CV
Low-resource Personal Attribute Prediction from Conversation
Nankai University（南开大学）；The University of Manchester（曼彻斯特大学）
个人知识库（PKB）对于个性化推荐和基于Web的聊天机器人等广泛的应用至关重要。构建PKB的一个关键挑战是从用户的会话数据中提取个人属性知识。给定会话系统的一些用户、个人属性和这些用户的话语，我们的目标是预测每个用户的给定个人属性值的排名。以往的研究往往依赖于相对数量的资源，如标记的话语和外部数据，但属性知识嵌入在未标记的话语是利用不足，他们预测一些困难的个人属性的性能仍然不能令人满意。此外，还发现一些文本分类方法可以直接解决这个问题。然而，他们在这些困难的个人属性上也表现得不好。在本文中，我们提出了一个新的框架PEARL预测个人属性的会话，充分利用丰富的个人属性知识，在低资源的设置下，没有标记的话语或外部数据被利用。PEARL将双术语语义信息与词共现信息无缝地结合起来，通过使用更新的先验属性知识以迭代的方式改进双术语主题模型的Gibbs采样过程。大量的实验结果表明，PEARL优于所有的基线方法，不仅在两个数据集上的会话的个人属性预测的任务，而且在一个数据集上的更一般的弱监督文本分类任务。
2022-11-28 cs.AI
Knowledge Detection by Relevant Question and Image Attributes in Visual Question Answering
L. D. College of Engineering（L. D.工程学院）
本文提出一种视觉问答方法，以图像属性和问题特征为输入，仅检索与问题相关的图像对象知识，从而避免无关知识干扰并提升答案准确性。
2023-06-08 cs.AI cs.CV
A topic-aware graph neural network model for knowledge base updating
China University of Mining and Technology（中国矿业大学）
开放的领域知识库是非常重要的。它通常是从百科全书网站中提取的，广泛应用于知识检索系统、问答系统或推荐系统中。在实践中，关键的挑战是保持最新的知识库。与从百科全书转储中获取所有数据的笨拙方法不同，为了在避免无效获取的同时尽可能地扩大知识库的新鲜度，目前的知识库更新方法通常通过建立预测模型来确定是否需要更新实体。但由于数据来源和数据结构的问题，这些方法只能在特定的领域进行定义，结果存在明显的偏差。针对用户对开放领域知识的查询意图具有多样性的特点，本文构建了一个基于用户查询日志的主题感知图网络，用于知识更新。我们的方法可以概括为以下几点：1.通过用户的日志提取实体并选择它们作为种子2.抓取百科网站中种子实体的属性，并自监督地为每个实体构建实体属性图。3.使用实体属性图对GNN实体更新模型进行训练，判断实体是否需要同步。4.根据最小编辑次数算法，利用百科知识对过滤后的实体与知识库中的实体进行匹配和更新。
2022-09-01 cs.AI cs.IR
ARMADA: Attribute-Based Multimodal Data Augmentation
Texas A&M University（德克萨斯农工大学）；University of Illinois（伊利诺伊大学）；University of California（加利福尼亚大学）
针对现有多模态数据增强框架存在图文语义不一致、生成图像不真实的问题，提出基于知识引导调整实体视觉属性的ARMADA框架，可生成高质量增强数据，有效提升多模态语言模型下游任务性能。
2024-08-19 cs.AI
Knowledge reduction of dynamic covering decision information systems with varying attribute values
Hunan University（湖南大学）；College of Mathematics and Econometrics, Hunan University（湖南大学数学与计量经济学院）
本文针对属性值变化的动态覆盖信息系统，提出基于type-1和type-2特征矩阵的增量式方法，用于高效计算集合近似并实现知识约简。
2015-04-12 cs.AI cs.IT math.IT
Neural-Bayesian Structure Learning for Discrete Choice Modeling
本文提出Neural-BSL框架，耦合可微结构学习与离散选择估计，经首尔、伦敦数据评估，其预测性能与传统基准相当，可恢复行为一致的依赖结构，能有效分析干预措施的下游影响。
2026-08-27 cs.AI cs.LG
Abstract Attribute Exploration with Partial Object Descriptions
属性探索已经在几项研究中进行了研究，特别强调这种知识获取方法的算法方面。在其基本版本中，该方法本身相当简单和透明。但是，当背景知识和部分描述的反例被承认，它变得更加困难。在这里，我们在一个抽象的，有点“公理化”的设置中讨论这种情况，提供一个术语来澄清方法的抽象策略，而不是它的算法实现。
2015-11-19 cs.AI
Attribute Exploration of Discrete Temporal Transitions
离散时间转换发生在各种领域，但这项工作主要是出于分子生物学的应用：解释和分析观察到的转录组和蛋白质组时间序列的文献和数据库知识。提出了形式概念分析模型的出发点。形式背景的对象是感兴趣的实体的状态，属性是定义当前状态的变量属性（例如，观察到的蛋白质的存在或不存在）。时态转换为对象分配一个关系，由前置条件和后置条件之间的确定性或非确定性转换规则定义。这种关系可以推广到它的传递闭包，即如果一个状态通过任意长度的过渡序列从另一个状态产生，则状态是相关的。工作的重点是适应这样一个关系的上下文中的属性探索算法，使有关时间的依赖关系的问题，可以在探索过程中，并回答从计算干基地。结果给出了一个游戏和一个小的基因调控网络相关的生物医学问题的抽象的例子。
2007-09-18 cs.AI q-bio.MN q-bio.QM
UniSAE: Unified Speech Attribute Editing on Speaker, Emotion and Low-Level Content via Discrete Phonetic Posteriorgram Modelling
China Mobile Science and Technology（中国移动科学技术）；Beijing Institute of Technology（北京理工大学）
提出UniSAE统一框架，通过离散音素后验图（DPPG）表示语音内容，支持从子音素到词级的说话人、情感和内容编辑，并采用扩散解码器生成语音。
2026-07-01 cs.AI cs.CL cs.SD
Knowledge Management in Economic Intelligence with Reasoning on Temporal Attributes
人们必须在一定的时间内做出重要的决定。因此，必须采用手段或策略来帮助有效的决策。因此，经济情报（EI）已经成为一个领域，以帮助战略和及时的决策在一个组织。在实现这一目标的过程中：对投资于决策过程的智力资源的保护规定持更乐观的态度是必不可少的。这种智力资源就是行动者的知识以及影响决策的各种过程的知识。知识已被确认为提高生产力的战略性经济资源，也是任何组织或社区创新的关键。因此，认识到其时间属性的适当管理是非常必要的。知识的时间属性指的是创建这些知识的日期和时间（称为时间戳）以及相关知识之间的持续时间或间隔。本文着重于以用户为中心的知识管理方法的需求，以及开发相关的时间属性。我们的知识的角度是相对于决策问题的项目在EI。我们的假设是，在EI项目中的知识开发的时间属性的推理的可能性，应促进及时决策，通过生成有用的推论，从现有的和可重用的知识为一个新的项目。
2009-06-09 cs.AI
Conditional Hybrid GAN for Sequence Generation
National Institute of Informatics（国立信息学研究所）；MIDAS, IIIT-Delhi（德里因陀罗普拉萨信息技术学院 MIDAS 实验室）
条件序列生成的目的是通过用附加的上下文信息调节模型来指导生成过程，这是一个自监督学习问题（一种具有来自数据本身的监督信息的无监督学习形式）。不幸的是，目前的国家的最先进的生成模型具有多属性的序列生成的局限性。在本文中，我们提出了一种新的条件混合GAN（C-Hybrid-GAN）来解决这个问题。当以相同的上下文为条件时，分别生成具有三元组属性的离散序列。最重要的是，利用关系推理技术，不仅在生成器的训练过程中建模每个属性序列内部的依赖性，而且在训练过程中建模属性序列之间的一致性。为了避免GANs在离散数据生成过程中遇到的不可微性问题，我们利用Gumbel-Softmax技术来近似离散值序列的分布，通过评估从歌词生成旋律（与音符、持续时间和休止符相关联）的任务，我们证明了所提出的C-Hybrid-GAN在上下文条件下的离散值序列生成方面优于现有方法。
2020-09-18 cs.AI
NewsClaims: A New Benchmark for Claim Detection from News with Attribute Knowledge
UIUC（伊利诺伊大学厄巴纳-香槟分校）；CU Boulder（科罗拉多大学博尔德分校）；QCRI-HBKU（哈马德·本·哈利法大学卡塔尔计算研究所）；DARPA（美国国防高级研究计划局）；CMU（卡内基梅隆大学）；Amazon（亚马逊）
声明检测和验证对于新闻理解至关重要，并且已经成为减轻新闻中的错误信息和虚假信息的有前途的技术。然而，大多数现有的工作都集中在索赔句子分析，而忽略了额外的关键属性（例如，权利要求和与权利要求相关联的主要对象）。在这项工作中，我们提出了NewsClaims，一个新的基准属性感知索赔检测在新闻领域。我们扩展的索赔检测问题，包括提取额外的属性相关的每个索赔和释放889索赔注释超过143篇新闻文章。NewsClaims旨在对新兴场景中的索赔检测系统进行基准测试，这些场景包括具有很少或没有训练数据的未知主题。为此，我们看到，zero-shot和基于基准的基线在该基准上显示出有希望的性能，同时仍然大大落后于人类性能。
2022-11-23 cs.AI cs.CL
Constructing High Precision Knowledge Bases with Subjective and Factual Attributes
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Google Inc.（谷歌公司）
知识库（KBs）是许多无处不在的应用程序的骨干，因此需要表现出高精度。然而，对于存储实体的主观属性的KB，例如，无论电影是否“适合儿童”，简单地估计精确度都会因测量主观现象时固有的模糊性而变得复杂。在这项工作中，我们开发了一种方法，用于构建具有可调精度的KB-即，知识库可以在特定的误报率下运行，尽管存储了难以评估的主观属性和更传统的事实属性。我们的方法的关键是概率建模用户共识方面的每一个实体属性对，而不是建模为True或False的每一对。模型中的不确定性被显式表示并用于控制KB的精度。我们提出了三个神经网络来拟合共识模型，并对来自谷歌地图的数据（大量的位置及其主观和事实属性）进行评估。结果表明，我们学习的模型是校准良好的，因此可以成功地用于控制KB的精度。此外，当约束保持95%的精度时，最佳共识模型匹配基线的F分数，该基线将每个实体-属性对建模为二进制变量，并且不支持可调精度。当不受约束时，我们的模型在相同的基线上占主导地位，F分数为12%。最后，我们进行了实证分析的属性-属性的相关性，并表明，有效地利用它们有助于减少不确定性和更好的性能属性预测。
2019-07-31 cs.AI cs.LG stat.ML
SAKE: Towards Editing Auditory Attribute Knowledge of Large Audio-Language Models
本文提出SAKE基准，用于评估大型音频-语言模型中听觉属性知识的编辑方法，发现多数方法在可靠性上表现良好，但在听觉泛化和多模态知识传播方面存在不足，细调模态连接器比直接编辑LLM更稳健。
2026-03-15 cs.AI cs.CL cs.SD
Personal Attribute Prediction from Conversations
Nankai University（南开大学）
个人知识库（PKB）对许多应用程序至关重要，例如基于Web的聊天机器人和个性化推荐。包含丰富个人知识的会话可以被视为填充PKB的主要来源。给定一个用户、一个用户属性和一个会话系统中的用户话语，我们的目标是预测用户的个人属性值，这有助于丰富PKB。然而，以往的研究存在三个问题：（1）需要人工标注的话语用于模型训练;（2）嵌入在话语和外部资源中的个人属性知识未得到充分利用;（3）预测一些困难的个人属性的性能不令人满意。在本文中，我们提出了一个框架DSCGN的基础上预先训练的语言模型与噪声鲁棒的损失函数预测个人属性的对话，而不需要任何标记的话语。我们产生两类监督，即，通过挖掘嵌入在未标记的话语和外部资源中的个人属性知识来微调语言模型，经由远程监督策略的文档级监督和经由标签猜测方法的上下文化单词级监督。在两个真实世界的数据集上进行了广泛的实验（即，职业数据集和爱好数据集）显示，我们的框架在nDCG和MRR方面与所有12个基线相比获得了最佳性能。
2022-08-29 cs.AI cs.CL
Steering Without Breaking: Mechanistically Informed Interventions for Discrete Diffusion Language Models
AWS AI Labs（AWS人工智能实验室）
本文提出一种自适应调度器，通过集中干预属性形成阶段以提升离散扩散语言模型的控制精度，避免均匀干预导致的性能下降。
2026-10-08 cs.AI cs.CL cs.LG
Object Attribute Matters in Visual Question Answering
Jilin University（吉林大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；University of Chinese Academy of Sciences（中国科学院大学）
针对视觉问答中视觉与文本语义对齐不足的问题，提出利用物体属性的属性融合与对比知识蒸馏模块，以增强物体级对齐和场景理解，并在六个数据集上验证优越性。
2023-12-20 cs.AI cs.CV
Do What You Know: Coupling Knowledge with Action in Discrete-Event Systems
Queen’s University（女王大学）
提出了一种具有非二进制控制的分散离散事件系统的认知模型。这个框架结合了现有的工作条件控制决策与现有的工作正式推理知识的离散事件系统。在模型中提出的新颖之处是，问题的可解决性的必要和充分条件封装主管必须采取的行动。知识和行动之间的这种直接耦合--以模仿自然语言的形式--使得在问题条件失败时更容易确定应如何修改问题需求。
2022-05-30 cs.AI cs.SY eess.SY
Material Property Prediction with Element Attribute Knowledge Graphs and Multimodal Representation Learning
Institute of Computing Technology, Chinese Academy of Science（中国科学院计算技术研究所）；Ningbo Institute of Information Technology Application, Chinese Academy of Sciences (CAS)（中国科学院宁波信息技术应用研究院）
针对现有晶体材料预测方法忽略元素理化属性的问题，提出多模态融合框架ESNet，结合元素属性知识图谱与晶体结构特征生成联合表示，在带隙预测任务中表现领先。
2024-11-13 cond-mat.mtrl-sci cs.AI cs.LG
PrivNet: Safeguarding Private Attributes in Transfer Learning for Recommendation
HKUST（香港科技大学）
迁移学习是利用源领域知识改进目标推荐系统的一种有效方法。现有的研究主要关注目标域的推荐性能，而忽略了源域的隐私泄露问题。然而，转移的知识可能会无意中泄露源域的私有信息。例如，攻击者可以从源域数据所有者提供的用户历史购买中准确地推断出用户人口统计信息。本文通过学习一种隐私感知神经表示，在保护源隐私的同时提高目标性能，解决了上述隐私保护问题。其核心思想是在训练过程中模拟攻击，以保护未来未见过用户的隐私，通过对抗游戏建模，使迁移学习模型对攻击具有鲁棒性。实验结果表明，该模型能够有效地分离出有利于知识传输的知识和泄露的隐私。
2020-10-16 cs.AI cs.CL cs.IR
Identifying and Consolidating Knowledge Engineering Requirements
University of Amsterdam（阿姆斯特丹大学）；USC Information Sciences Institute（南加州大学信息科学研究所）
本文针对知识工程面临的涉众需求未解决、技术不匹配等四大挑战，提出使用主流软件方法开发参考架构，确定了23个质量属性并评估了三种候选架构，为构建全面参考架构指明方向。
2023-06-27 cs.AI cs.SE
Interactive Collaborative Exploration using Incomplete Contexts
University of Kassel（卡塞尔大学）；Research Center for Information System Design（信息系统设计研究中心）
属性探索是形式概念分析领域中一种著名的知识获取方法。它用于在领域专家的帮助下揭示一组属性中的依赖关系。在大多数应用中，没有一个专家能够（时间和知识方面）单独探索知识领域。然而，到目前为止，还没有理论模型的多个专家的属性探索任务的不完全知识的互动。为此，我们开发了一个理论框架，允许多个专家一起探索领域。我们使用不完整知识的表示作为三值上下文。然后，我们适应相应版本的属性探索，以适应多个专家的设置。我们建议形式化的关键组成部分，如专家知识，互动和协作策略。特别是，我们定义了一个顺序，允许比较不同的探索策略的结果在同一个任务方面的信息完整性。此外，我们还讨论了比较合作策略的其他方法，并为未来的研究提出了建议。
2020-01-31 cs.AI cs.HC cs.LG
Selecting Attributes for Sport Forecasting using Formal Concept Analysis
Universidad de Huelva（韦尔瓦大学）；Universidad de Sevilla（塞维利亚大学）
为了解决复杂系统，将模式识别应用于它们的演化可以发挥关键作用，以了解它们的动态。需要全球模式来检测新出现的概念和趋势，其中一些具有定性性质。形式概念分析（FCA）是一种从定性数据中发现和提取知识的理论。它提供了使用蕴涵基（和关联规则）进行推理的工具。蕴涵和关联规则是有用的推理先前选定的属性，提供了一个形式化的基础，逻辑推理。在本文中，我们分析了如何应用FCA推理，以提高体育博彩的信心，通过检测时间的数据。并将其应用于建立一个基于知识的置信推理系统。
2011-08-04 cs.AI
Physics of Language Models: Part 3.2, Knowledge Manipulation
Meta AI；FAIR Labs（FAIR实验室）；Mohamed bin Zayed University of AI（穆罕默德·本·扎耶德人工智能大学）
本文通过受控合成实验揭示语言模型在知识检索上表现优异，但在分类、比较和逆向搜索等知识操纵任务上存在固有缺陷，即使知识存储完美且模型规模足够，该发现同样适用于GPT-4，并催生区分人类与AI的图灵测试。
2024-07-16 cs.AI cs.CL cs.LG
MRKL Systems: A modular, neuro-symbolic architecture that combines large language models, external knowledge sources and discrete reasoning
AI21 Labs（AI21实验室）
巨大的语言模型（LM）开创了人工智能的新时代，成为基于自然语言的知识任务的门户。虽然LM是现代AI的基本要素，但它在许多方面也有固有的局限性。我们将讨论这些限制，以及如何通过采用系统方法来避免这些限制。将挑战概念化为除了语言处理之外还涉及知识和推理的挑战，我们定义了一个具有多个神经模型的灵活架构，并辅以离散知识和推理模块。我们描述了这种神经符号架构，称为模块化推理，知识和语言（MRKL，发音为“奇迹”）系统，实现它的一些技术挑战，以及Jurassic-X，AI 21 Labs的MRKL系统实现。
2022-05-01 cs.AI cs.CL
Language-Specific Representation of Emotion-Concept Knowledge Causally Supports Emotion Inference
Tsinghua University（清华大学）；University of Science and Technology Beijing（北京科技大学）；University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；University of Pittsburgh（匹兹堡大学）；University of North Carolina（北卡罗来纳大学）
本研究利用大型语言模型（LLMs）探究语言表征对情绪推理的因果作用，发现LLM的人工神经元群能表征人类情绪概念的14个属性，操纵这些神经元可影响生成性情绪推理，证明语言衍生的情绪概念知识对情绪推理有重要贡献。
2024-03-12 cs.AI cs.CL
NumCoKE: Ordinal-Aware Numerical Reasoning over Knowledge Graphs with Mixture-of-Experts and Contrastive Learning
State Key Laboratory of Cyberspace Security Defense（网络空间安全防御国家重点实验室）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院）；Department of Information Science, Tsinghua University（清华大学信息学院）
本文提出NumCoKE框架，通过混合专家和对比学习解决知识图谱中数值推理的语义整合不足和有序区分困难问题，实验表明其在不同属性分布下表现优越。
2026-04-18 cs.AI
Stop Filtering: Multi-View Attribute-Enhanced Dialogue Learning
Beijing Institute of Technology（北京理工大学）
通过过滤原始对话语料库来提高模型的会话能力越来越受到人们的关注。以前的过滤策略通常依赖于评分方法来从一个角度评估和丢弃样本，从而使模型能够增强相应的对话属性（例如，一致性）更容易。然而，丢弃的样本可能在其他方面获得高分，并且可以对模型学习提供正则化效果，这导致性能改善对过滤比率敏感。在这项工作中，我们提出了一个多视图属性增强的对话学习框架，加强属性相关的功能更强大，更全面。我们的框架不是过滤原始数据集来训练模型，而是首先在原始数据集上对模型进行预训练，然后通过选定子集上的适配器对其进行微调，这也增强了响应的某些属性，但不会出现上述问题。考虑到对话属性的多样性，我们进一步设计了多视图增强机制，包括多视图选择和视图间融合。它从多个角度分别对高质量样本进行分组，并使用相应的样本集和适配器增强响应的不同属性，保持知识独立并允许灵活集成。实验结果和分析表明，我们的框架可以提高性能显着增强对话属性和融合的观点特定的知识。
2022-05-23 cs.AI cs.CL
Unleashing the Potential of Vision-Language Pre-Training for 3D Zero-Shot Lesion Segmentation via Mask-Attribute Alignment
Shanghai AI Laboratory（上海人工智能实验室）；Shanghai Jiao Tong University（上海交通大学）
本文提出 Malenia 框架，通过多尺度掩码-属性对齐和跨模态知识注入模块，将已见病灶的可扩展知识与未见病灶视觉特征链接，有效解决 3D CT 零样本病灶分割任务。
2025-03-02 cs.AI cs.CV
Out-of-Sample Representation Learning for Multi-Relational Graphs
Borealis AI（北极光人工智能）
许多重要的问题都可以用知识图谱来表示。表示学习已被证明对转换推理非常有效，在转换推理中，人们需要对已经观察到的实体做出新的预测。这对于属性图（其中每个实体都有一个初始特征向量）和非属性图（其中唯一的初始信息来自与其他实体的已知关系）都是如此。对于样本外推理，需要对训练时看不到的实体进行预测，许多先前的工作考虑了属性图。然而，令人惊讶的是，这个问题对于非属性图的探索不足。在本文中，我们研究了非属性知识图谱的样本外表示学习问题，为这项任务创建基准数据集，开发几个模型和基线，并提供实证分析和比较所提出的模型和基线。
2020-10-23 cs.AI cs.CL cs.LG
OAD-Promoter: Enhancing Zero-shot VQA using Large Language Models with Object Attribute Description
针对大语言模型在零样本VQA中存在语言偏差、分布外泛化能力弱的问题，提出OAD-Promoter方法，通过三个模块协同增强视觉输入、补充域外知识，取得了新的SOTA结果。
2025-11-15 cs.AI cs.CV
Split, Unlearn, Merge: Leveraging Data Attributes for More Effective Unlearning in LLMs
IBM Research（IBM研究院）
本文提出 SPUNGE 框架，通过按数据属性分割遗忘数据、分别遗忘并合并模型，增强任意机器遗忘方法的效果，并在最先进 LLM 上验证其安全性提升与通用能力保持。
2024-06-17 cs.AI cs.CL cs.LG
