Knowledge Graph Embeddings with Representing Relations as Annular Sectors
Corresponding author(通讯作者)
针对现有基于区域的知识图谱嵌入模型忽略实体语义层级的问题,提出极坐标下的SectorE模型,将关系建模为环形扇区、实体嵌入为扇区内点以编码层级结构,在多个基准数据集上取得了有竞争力的性能。
2025-06-06 cs.AI cs.CL cs.LG
Representing Knowledge Base into Database for WAP and Web-based Expert System
Widyagama University of Malang(玛琅威达亚马大学)
专家系统是为用户提供广泛的咨询服务而发展起来的,也是为公众提供经济实惠的服务而发展起来的.互联网已经成为这种服务的媒介,但是移动设备的存在通过利用移动web和WAP(无线应用协议)使得访问变得更加普遍。在Web和WAP上应用专家系统应用程序需要一个可以同时访问的知识库表示。本文提出了用决策树映射的方法来适应知识表示的单一数据库。由于数据库的存在,咨询应用程序可以通过Web和WAP访问它,为公众提供更实惠的专家系统服务选择。
2013-12-11 cs.AI cs.CY
Representing Knowledge about Norms
规范对于扩展推理是必不可少的:基于规范的推理比基于逻辑蕴涵的推理丰富得多。近几十年来,人们在一个领域的理性上投入了大量的努力,一旦它的规范被代表。如何提取和表达这些规范受到的关注要少得多。提取是困难的:由于读者应该了解它们,因此域的规范很少明确。首先,提取规范需要一种语言来表示它们,这就是本文的主题。我们应用这种语言来表示规范的领域中的驾驶,并表明,它是足够的原因的事故,所描述的车祸报告。
2006-07-18 cs.AI
RotateQVS: Representing Temporal Information as Rotations in Quaternion Vector Space for Temporal Knowledge Graph Completion
National University of Defense Technology(国防科技大学);Pengcheng Laboratory(鹏城实验室);Huawei Technologies Co., Ltd.(华为技术有限公司)
在实际应用中,时间因素与事实的增长密切相关,如疾病的进展、政治局势的发展等,因此,时间知识图谱(TKG)的研究备受关注。在TKG中,时间性所固有的关系模式需要被研究,以便进行跨时间事实的表示学习和推理。然而,现有的方法很难建模的时间关系模式,也不能捕捉随着时间的推移,关系之间的内在联系,缺乏可解释性。在本文中,我们提出了一种新的时间建模方法,表示时间实体的旋转四元数向量空间(RotateQVS)和汉密尔顿的四元数空间的复向量的关系。我们证明了我们的方法可以模拟TKG中的关键关系模式,如对称,不对称,逆,并可以进一步捕获时间演变的关系理论。经验上,我们表明,我们的方法可以提高性能的链接预测任务超过四个时间知识图谱基准。
2022-03-17 cs.AI
A Theory of Formalisms for Representing Knowledge
Zhejiang Lab(之江实验室);Nankai University(南开大学)
本文提出一个通用框架刻画知识表示形式化体系,证明所有通用形式化体系及满足填充性质的两两互译形式化体系均递归同构,从而在离线编译意义下统一了声明式与过程式、符号与连接主义之争。
2024-12-29 cs.AI cs.CC cs.LO
Representing Web Applications As Knowledge Graphs
Skil Inc(Skil公司)
本文提出将Web应用建模为知识图谱的方法,以结构化状态为节点、用户动作为边,克服传统超链接爬取方法对动态交互行为捕获不足的局限,从而支持自动化测试和行为分析等下游任务。
2024-10-06 cs.AI cs.IR
Representing Pedagogic Content Knowledge Through Rough Sets
Indian Statistical Institute(印度统计研究所)
针对教师内容知识难以近似且连贯形式化的问题,提出基于粗糙集的两层模型,以统一处理模糊性、粒度和多模态性,并通过等式推理示例验证。
2024-04-15 cs.AI cs.LO
Representing Timed Automata and Timing Anomalies of Cyber-Physical Production Systems in Knowledge Graphs
Helmut-Schmidt-University Hamburg(汉堡赫尔穆特·施密特大学)
针对信息物理生产系统中时间自动机模型及检测异常难解释的问题,提出将其与系统形式化知识图谱结合并构建对应本体,经五罐混合系统验证可实现相关内容的形式化定义,提升可解释性。
2023-08-25 cs.AI
Representing Time-Continuous Behavior of Cyber-Physical Systems in Knowledge Graphs
本研究提出了一种在知识图谱中直接表示微分方程的模块化语义模型,并通过航空维护领域验证了其在整合复杂系统行为数据中的有效性。
2026-01-17 cs.AI
Representing Entity Importance in AI Knowledge Systems: A Dual-Signal Framework of Audience Evaluation and Structural Authority
研究人工智能知识系统中实体重要性表示,提出受众评估与结构权威双信号框架,经电影实体实验验证,表明两维度是不可冗余信号,贡献是最小知识表示框架及维度必要性实证测试,支持任务感知AI知识系统。
2026-07-24 cs.AI
NAIVE: A Method for Representing Uncertainty and Temporal Relationships in an Automated Reasoner
Hewlett-Packard Laboratories(惠普实验室)
本文介绍了NAIVE,一种低级知识表示语言和推理过程。NAIVE被设计用于对医学中发现的非确定性动态系统进行推理。知识表示在一个图形结构中,该结构由节点和弧组成,节点对应于描述感兴趣的系统的变量,弧对应于用于从其他变量的值推断变量的值的过程。一个变量的值可以在一个时刻、一段时间间隔或一系列时间内确定。关于变量值的信息表示为概率密度函数,该函数量化每个可能值的可能性。推理过程使用这些概率密度函数来传播不确定性。NAIVE已被用于开发包括100多个变量的医学知识库。
2013-03-27 cs.AI
Representing Scholarly Claims in Internet Digital Libraries: A Knowledge Modelling Approach
本文关注的是在分布式研究社区中跟踪和解释学术文献。我们认为,目前的文档描述方法,以及目前的技术基础设施,特别是在万维网上,这些任务提供了很差的支持。我们描述了一个数字图书馆服务器的设计,它将使作者提交一个摘要的贡献,他们声称他们的文件,使其与文献的关系。我们描述了一个以知识为基础的Web环境,以支持这样一个社区构建的语义超文本的出现,它可以提供的服务,以协助解释一个想法或文件的上下文中的文献。讨论认为,详细的方法如何解决与知识结构化环境的可用性问题。
1999-08-19 cs.AI cs.DL cs.HC
Computing Rule-Based Explanations of Machine Learning Classifiers using Knowledge Graphs
Artificial Intelligence and Learning Systems Laboratory(人工智能与学习系统实验室);School of Electrical and Computer Engineering(电气与计算机工程学院);National Technical University of Athens(雅典国立技术大学)
使用符号知识表示和推理作为解决机器学习分类器缺乏透明性的一种方法是近年来吸引了许多研究人员的研究领域。在这项工作中,我们使用知识图谱作为基础框架,提供了用于表示机器学习分类器的操作的解释的术语。特别是,给出了一个描述的应用领域的分类器的形式的知识图谱,我们介绍了一种新的方法,用于提取和表示黑箱解释其操作,在一阶逻辑规则的形式表示的术语的知识图谱。
2022-02-08 cs.AI
NetNeg: A Connectionist-Agent Integrated System for Representing Musical Knowledge
这里提出的系统表明,通过集成子符号和符号过程,在一个复杂的音乐活动中所涉及的知识建模的可行性。这项研究的重点是在音乐领域内的神经网络与分布式人工智能方法集成在一起是否有任何优势的问题。我们工作的主要目的是设计一个模型,描述用户在参与音乐活动时可能感兴趣的不同方面。我们在这项工作中建议的方法使音乐家能够将他的知识,直觉和审美品味编码到不同的模块中。该系统通过计算和应用三个不同的功能来捕获这些方面:规则,模糊概念和学习。作为一个案例研究,我们开始尝试第一物种的两部分对位旋律。我们已经开发了一个混合系统组成的连接模块和基于代理的模块相结合的子符号和符号的水平来实现这一任务。这种表现音乐知识的方法为复调音乐的创作提供了一种新的途径。
2002-03-17 cs.AI cs.MA
Tax Knowledge Graph for a Smarter and More Personalized TurboTax
Intuit(英图伊特公司);Technology Futures(技术未来公司)
大多数知识图谱用例都是以数据为中心的,专注于表示数据实体及其语义关系。用知识图谱技术表示大规模复杂业务逻辑,目前还没有公开的成功案例。在本文中,我们将分享我们的创新和实用的方法来表示复杂的美国和加拿大的所得税合规逻辑(计算和规则)通过大规模的知识图谱。我们将介绍如何构建和自动化税务知识图谱,如何使用它来计算退税,推理以查找丢失的信息,并导航以解释计算结果。税务知识图谱帮助Intuit将旗舰产品TurboTax转变为智能和个性化的体验,加速和自动化税务准备流程,同时为数百万客户注入信心。
2020-09-13 cs.AI
An Ontology-based Knowledge Management System for Industry Clusters
Chiang Mai University(清迈大学);University Lumiere Lyon 2(里昂第二大学)
知识经济迫使国内的公司组成一个集群,以保持其在世界市场上的竞争力。集群的发展依赖于两个关键的成功因素,这是知识共享和集群中的行动者之间的合作。因此,本研究试图提出知识管理系统,以支持集群内的知识管理活动。为了实现本研究的目标,本体在知识管理过程中以各种方式发挥了非常重要的作用;例如,建立可重用的和更快的知识库,更好地表示知识的方式。然而,由于知识源的模糊性和非结构化,本体的创建和表示给组织带来了困难。因此,本文的目标是提出的方法来创建和表示本体的组织发展,利用知识工程的方法。泰国的手工业集群被用作案例研究来说明我们提出的方法。
2008-06-03 cs.AI
Robot Task Planning Based on Large Language Model Representing Knowledge with Directed Graph Structures
South China University of Technology(华南理工大学);University of Washington(华盛顿大学)
针对传统机器人任务规划在非结构化环境与复杂任务下的挑战,提出结合人类经验与LLM的任务规划方法,设计有向图知识表示的Think_Net_Prompt模板与任务树分解、规划解耦策略,在多任务上表现良好并指出待改进方向。
2023-06-08 cs.AI cs.RO
RNA-KG: An ontology-based knowledge graph for representing interactions involving RNA molecules
University of Milan(米兰大学);Columbia University Irving Medical Center(哥伦比亚大学欧文医学中心);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室)
提出RNA-KG,一个整合50多个数据库的RNA知识图谱,通过本体对齐统一表示RNA相关生物分子与医学概念,支持SPARQL查询与计算分析,为“RNA世界”研究提供集中一致的资源。
2023-11-30 cs.AI cs.CE
Prediction of Adverse Biological Effects of Chemicals Using Knowledge Graph Embeddings
NORSAR(挪威地震阵列研究所);City, University of London(伦敦大学城市学院);Norwegian Institute for Water Research(挪威水研究所);University of Oslo(奥斯陆大学);University of Oxford(牛津大学);Norwegian University of Life Sciences(挪威生命科学大学);Norwegian Geotechnical Institute(挪威岩土工程研究所)
我们根据生态毒理学风险评估中使用的主要数据源创建了一个知识图谱。我们已将此知识图谱应用于风险评估中的一项重要任务,即化学效应预测。我们已经评估了九个知识图谱嵌入模型,这些模型来自于此预测任务中的几何模型、分解模型和卷积模型。我们表明,使用知识图谱嵌入可以提高神经网络的效果预测的准确性。此外,我们还实现了一个微调架构,使知识图谱嵌入适应效果预测任务,并带来更好的性能。最后,我们评估了知识图谱嵌入模型的某些特征,以揭示单个模型的性能。
2022-03-30 cs.AI cs.LG
Deductive and Analogical Reasoning on a Semantically Embedded Knowledge Graph
U.S. Army Research Laboratory(美国陆军研究实验室)
将知识表示为连续语义向量空间中的高维向量,可以克服传统知识库的脆弱性和不完备性。我们提出了一种直接在这样的向量空间中进行演绎推理的方法,在推理链的每一步都以简单的方式结合类比、联想和演绎,利用来自不同来源和本体的知识。
2017-07-11 cs.AI
eSPARQL: Representing and Reconciling Agnostic and Atheistic Beliefs in RDF-star Knowledge Graphs
Institute for Artifical Intelligence, University of Stuttgart(斯图加特大学人工智能研究所);University of Koblenz(科布伦茨大学);University of Southampton(南安普顿大学)
本文针对 RDF-star 缺乏嵌套陈述语义与操作机制的问题,提出基于四值逻辑的 eSPARQL,通过扩展 SPARQL-star 的 FROM 子句支持多源冲突信念的查询、聚合、冲突识别与信念嵌套。
2024-08-06 cs.AI cs.DB
From One Point to A Manifold: Knowledge Graph Embedding For Precise Link Prediction
Tsinghua University(清华大学)
知识图谱嵌入的目的是通过将实体和关系转换到连续的向量空间中来提供一种数值化的知识表示范式。然而,现有的方法不能对知识图谱进行精细的描述,从而不能做出精确的预测。其原因有二:一是作为一个不适定的代数系统,二是应用了过于严格的几何形式。由于精确的预测是至关重要的,我们提出了一个基于流形的嵌入原则(\textbf{ManifoldE}),它可以被视为一个适定的代数系统,扩展的位置黄金三元组从一个点在当前的模型在我们的流形。大量的实验表明,所提出的模型实现了对国家的最先进的基线,特别是对于精确的预测任务的实质性改善,但仍保持高效率。
2017-06-17 cs.AI cs.LG
HYPER: A Foundation Model for Inductive Link Prediction with Knowledge Hypergraphs
University of Oxford(牛津大学);Google Research(谷歌研究);AITHYRA;TU Wien(维也纳技术大学)
HYPER是一种基础模型,能处理包含新实体和新关系的知识超图归纳链接预测,通过编码超边中的实体及其位置实现跨不同关系类型的迁移学习。
2026-05-08 cs.AI cs.LG
Partial Knowledge In Embeddings
表示领域知识对任何任务都至关重要。已经开发了各种各样的技术来表示这种知识,从较旧的基于逻辑的方法到最近的基于深度学习的技术(即嵌入)。在本文中,我们将讨论其中的一些方法,重点是经常进行的代表性表达权衡。特别是,我们专注于各种技术的能力,以编码“部分知识”-成功的知识系统的一个关键组成部分。我们介绍和描述的概念“合奏的嵌入”和“聚合嵌入”,并演示他们如何允许部分知识。
2017-10-28 cs.AI
Maintaining prediction quality under the condition of a growing knowledge space
智能可以被理解为智能体预测其环境动态的能力,其精确度使其能够有效地预见机会和威胁。在这种智能依赖于知识空间的假设下,任何有效的推理都将受益于最大部分的有用知识片段和最小部分的误导性知识片段。这就引出了一个问题,即随着知识量的不断增长,如何保持这种知识空间的高质量。本文提出了一个数学模型来描述一般的原则,如何不断增长的知识空间的质量演变取决于出错率,错误传播和对策。也有延伸的质量的知识空间崩溃的低质量的知识碎片的去除发生太慢,对于一个给定的知识空间的增长速度。
2015-08-11 cs.AI cs.LG
OKG-LLM: Aligning Ocean Knowledge Graph with Observation Data via LLMs for Global Sea Surface Temperature Prediction
Department of Computer Science and Technology, Tongji University(同济大学计算机科学与技术系);Department of Computing, The Hong Kong Polytechnic University(香港理工大学计算系);Department of Computing, University of Illinois Chicago(伊利诺伊大学芝加哥分校计算系);School of Computer Science, Fudan University(复旦大学计算机科学学院)
本文提出OKG-LLM框架,通过构建海洋知识图谱并融合数值数据,利用预训练LLM提升全球海表温度预测的准确性与鲁棒性。
2025-07-31 cs.AI cs.LG
Knowledge Graph Representations to enhance Intensive Care Time-Series Predictions
ETH Zürich(苏黎世联邦理工学院)
提出将UMLS知识图谱与ICU时间序列及临床报告融合,增强预测性能并支持可解释性,尤其在数据缺失时表现更优。
2023-11-13 cs.AI cs.LG
A Knowledge-Guided Cross-Modal Feature Fusion Model for Local Traffic Demand Prediction
Shandong University(山东大学);Southern University of Science and Technology(南方科技大学);Northwest University(西北大学);Didi Chuxing(滴滴出行);Renmin University of China(中国人民大学);Jilin University(吉林大学)
本文提出知识引导的跨模态特征融合模型(KGCM),结合时间序列交通数据与文本知识,利用局部和全局自适应图网络及动态更新策略,提升交通需求预测准确性,优于现有SOTA模型。
2025-08-29 cs.AI cs.LG
Stratified Knowledge Bases as Interpretable Probabilistic Models (Extended Abstract)
Cardiff University(卡迪夫大学);KU Leuven(鲁汶大学)
在本文中,我们提倡使用分层逻辑理论来表示概率模型。我们认为,这样的编码可以比现有的框架,如马尔可夫逻辑网络中获得的更可解释。其中,这允许使用领域专家通过直接删除、添加或修改逻辑公式来改进学习的模型。
2016-11-18 cs.AI
Geo-Situation for Modeling Causality of Geo-Events in Knowledge Graphs
Arizona State University(亚利桑那州立大学);University of Maine(缅因大学)
本文提出了一个框架表示和推理的地理事件之间的因果关系,通过引入地理局势的概念。这一概念与代表各种条件的观测快照相联系,既可以作为地质事件的背景,也可以影响地质事件的发生。我们设想在代表地理实体的知识图谱中使用这个框架将有助于回答为什么发生地理事件的重要问题。
2022-06-27 cs.AI
When is a Prediction Knowledge?
University of Alberta(阿尔伯塔大学)
在强化学习中,越来越多的研究旨在通过对感觉、行为和时间的预测来表达智能体对世界的所有知识。这项工作不仅可以被看作是一个架构建议的集合,也可以被看作是强化学习中机器知识理论的开端。最近的工作扩展了可以使用预测表达的内容,并开发了使用预测来为各种合成和现实问题的决策提供信息的应用程序。虽然很有希望,但我们在这里认为,在强化学习中,预测作为知识的概念还不成熟:一些工作明确地将预测称为知识,将预测视为知识的要求还有待深入探讨。这种对知识的必要和充分条件的规范是重要的;即使关于知识性质的主张隐含在技术提案中,这种主张的基本假设也会对我们设计的系统产生影响。这些后果体现在我们选择构建预测知识架构的方式以及我们如何评估它们。在本文中,我们采取的第一步,形式化的预测知识,通过讨论的关系,预测知识的学习方法,现有的知识理论在认识论。具体而言,我们探讨广义价值函数和认识论的理由和真理的概念之间的关系。
2019-04-18 cs.AI cs.LG stat.ML
Trust from the past: Bayesian Personalized Ranking based Link Prediction in Knowledge Graphs
Pacific Northwest National Laboratory(太平洋西北国家实验室);Washington State University(华盛顿州立大学)
链接预测,即根据知识图谱中的链接的存在状态预测其可能性,是一项关键的研究任务。它与传统的链接预测任务的不同之处在于,知识图中的链接被分类为不同的谓词,并且知识图谱中的不同谓词的链接预测性能通常变化很大。在这项工作中,我们提出了一个潜在的特征嵌入为基础的链接预测模型,认为预测任务的每个谓词分开。为了学习模型参数,它利用基于贝叶斯个性化排名的优化技术。大规模的知识库,如YAGO2的实验结果表明,我们的链接预测方法实现了更高的性能比几个国家的最先进的方法。我们还表明,对于一个给定的谓词的知识图的拓扑性质所引起的给定的谓词边缘的链接预测性能的关键指标,该谓词在知识图谱。
2016-02-15 cs.AI cs.IR cs.LG
Knowledge Hypergraphs: Prediction Beyond Binary Relations
University of British Columbia(英属哥伦比亚大学);Element AI
知识图谱使用两个实体之间的关系存储事实。在这项工作中,我们解决的问题,链接预测在知识超图的关系被定义在任何数量的实体。虽然存在的技术(如具体化),将非二进制关系转化为二进制的,我们表明,目前基于嵌入的知识图完成的方法不工作,以及开箱即用的知识图谱通过这些技术获得。为了克服这一点,我们引入了HSimple和HypE,这两种基于嵌入的方法直接与知识超图一起工作。在这两个模型中,预测是关系嵌入、实体嵌入及其在关系中的对应位置的函数。我们还开发了超图预测的公共数据集,基准和基线,并通过实验表明,所提出的模型比基线更有效。
2020-07-15 cs.AI cs.LG stat.ML
PassREfinder-FL: Privacy-Preserving Credential Stuffing Risk Prediction via Graph-Based Federated Learning for Representing Password Reuse between Websites
Kwangwoon University(光州大学)
提出 PassREfinder-FL,用图神经网络链接预测网站间密码重用风险,并结合联邦学习保护隐私,真实大规模数据上 F1 达 0.9153。
2025-10-17 cs.AI cs.CR cs.LG
Representing, reasoning and answering questions about biological pathways - various applications
Arizona State University(亚利桑那州立大学)
生物有机体由许多相互关联的生化过程组成。当这些过程的正常功能被破坏时,就会发生疾病。因此,了解这些生物化学过程及其相互关系是生物医学研究的主要任务,也是诊断疾病和药物开发的先决条件。研究这些过程的科学家已经确定了负责药物代谢和信号传导等的各种途径。更新的技术和速度的提高导致了对这些途径的更深入的了解,导致精细模型往往是庞大而复杂的,人们很难记住它的所有方面。因此,需要计算机模型来分析它们。我们希望建立这样一个系统,允许对生物系统和途径进行建模,以便我们可以回答有关它们的问题。许多现有的模型专注于结构和/或事实问题,使用不需要理解底层模型的表面知识。我们认为,这些问题不是生物学家可能会问别人来测试他们对生物过程的理解的问题。我们希望我们的系统能够回答生物学家可能会问的问题。这样的问题出现在早期的大学课本中。因此,我们的论文的主要目标是开发一个系统,使我们能够编码有关生物途径的知识,并回答这些问题,展示对途径的理解。为此,我们开发了一种语言,将允许提出这样的问题,并说明我们的框架在生物领域的各种应用程序的效用。我们使用一些现有的工具进行修改,以实现我们的目标。最后,我们将我们的系统应用到现实世界中的应用,从文本中提取途径知识,并回答与药物开发相关的问题。
2014-03-03 cs.AI cs.CE cs.CL
Interactive Elicitation of Knowledge on Feature Relevance Improves Predictions in Small Data Sets
Helsinki Institute for Information Technology HIIT(赫尔辛基信息技术研究所);Aalto University(阿尔托大学);University of Helsinki(赫尔辛基大学)
当特征的数量大于数据中样本的数量时,提供准确的预测对于机器学习算法来说是具有挑战性的。先验知识可以通过指示相关变量和参数值来改进机器学习模型。然而,这种先验知识通常是隐性的,只能从领域专家那里获得。我们提出了一种新的方法,使用交互式可视化来引出隐性先验知识,并使用它来提高预测模型的准确性。我们的方法的主要组成部分是一个用户模型,该模型的领域专家的知识的预测任务的不同功能的相关性。特别地,基于专家的早期输入,用户模型引导接下来引出用户知识的特征的选择。一个受控的用户研究的结果表明,用户模型显着提高先验知识的启发和预测精度时,预测在特定领域的科学文献的相对引用计数。
2017-01-16 cs.AI cs.LG stat.ML
A Semantic Web of Know-How: Linked Data for Community-Centric Tasks
Edinburgh University(爱丁堡大学);University of St Andrews(圣安德鲁斯大学)
本文提出了一种新的框架,代表社区的知识在语义Web上。由网络社区生成的程序性知识通常采取自然语言指令或视频的形式,并且在很大程度上是非结构化的。语义结构的缺乏阻碍了许多有用的应用程序的部署,特别是自动发现和集成技术诀窍的能力。我们讨论了社区专有技术的特点,并认为现有的知识表示框架不能充分代表它。我们提出了一个新的框架,用于表示社区知识的语义结构,并通过提供一个具体的实现,其中包括一种方法,用于自动获取程序知识的真实世界的任务,证明了我们的方法的可行性。
2014-10-29 cs.AI cs.CL
Understanding Adverse Biological Effect Predictions Using Knowledge Graphs
Norwegian Institute for Water Research (NIVA)(挪威水研究所);NORSAR(挪威地震阵列研究所);University of Oslo(奥斯陆大学);City, University of London(伦敦大学城市学院);University of Oxford(牛津大学);Norwegian Geotechnical Institute (NGI)(挪威岩土工程研究所);Norwegian University of Life Sciences (NMBU)(挪威生命科学大学)
外推化学品的有害生物(毒性)效应是一项重要贡献,有助于扩大(生态)毒理学方面的现有危险数据,而无需在实验室实验中使用动物。在这项工作中,我们推断的基础上的知识图谱(KG)组成的最相关的影响数据作为特定领域的背景知识的影响。影响预测模型,有和没有背景知识,被用来预测平均不良生物效应浓度的化学品作为一个典型类型的压力。背景知识使模型预测性能在$R^2$(\ie决定系数)方面提高了40%。我们使用KG和KG嵌入来提供对预测的定量和定性见解。这些见解有望提高效果预测的置信度。通过简化和减少测试需求,预计此类外推模型的大规模实施将支持危害和风险评估。
2022-10-28 cs.AI cs.LG q-bio.QM
Link Prediction using Embedded Knowledge Graphs
Microsoft Research(微软研究院);Google Research(谷歌研究院)
由于大型知识库通常是不完整的,因此需要在称为知识库完成的任务中从观察到的事实推断缺失的事实。最成功的方法,这个任务通常探索显式路径通过序列的三元组。这些方法通常采用人为设计的采样程序,因为大型知识图谱会产生大量的可能路径,其中大多数是没有信息的。作为一种替代方法,我们建议执行一个单一的,短序列的交互式查找操作的嵌入式知识图谱已通过端到端的反向传播训练的初始知识库的优化和压缩版本。我们提出的模型,称为嵌入式知识图谱网络(EKGN),达到了新的国家的最先进的成果,流行的知识库完成基准。
2018-04-22 cs.AI cs.CL cs.LG
Robot Representation and Reasoning with Knowledge from Reinforcement Learning
University of Science and Technology of China(中国科学技术大学);SUNY Binghamton(纽约州立大学宾汉姆顿分校);UT Austin(德克萨斯大学奥斯汀分校)
强化学习(RL)代理旨在通过与环境交互来学习,并且不是为使用声明性知识进行表示或推理而设计的。知识表示和推理(KRR)范式在陈述性KRR任务中很强,但不具备从这些经验中学习的能力。在这项工作中,我们将逻辑概率KRR与基于模型的RL相结合,使代理能够同时使用声明性知识进行推理并从交互经验中学习。来自人类和RL的知识被统一起来,并用于在潜在的新环境下动态计算特定于任务的规划模型。实验进行了使用移动机器人工作的对话,导航和交付任务。结果表明,显着的改进,与现有的基于模型的RL方法。
2018-11-22 cs.AI
A Self-feedback Knowledge Elicitation Approach for Chemical Reaction Predictions
School of Computer Science and Engineering, Sun Yat-sen University(中山大学计算机科学与工程学院);Peng Cheng Laboratory(鹏城实验室)
针对现有化学反应预测方法挖掘数据内在知识不足的问题,提出自反馈知识提取方法,通过迭代优化分子表示提取反应类型知识,结合自适应提示学习注入大语言模型,显著提升逆合成与试剂预测准确率,拓展多任务处理能力。
2024-04-15 cs.AI cs.LG q-bio.QM
KERAP: A Knowledge-Enhanced Reasoning Approach for Accurate Zero-shot Diagnosis Prediction Using Multi-agent LLMs
Emory University(埃默里大学);Stanford University(斯坦福大学)
KERAP通过知识图谱增强的多智能体大语言模型架构,结合属性映射、结构化知识检索与迭代预测优化,提升零样本医学诊断预测的可靠性与可解释性。
2025-07-06 cs.AI cs.LG cs.MA
Knowledge Graph Embedding for Ecotoxicological Effect Prediction
Norwegian Institute for Water Research(挪威水研究所);University of Oslo(奥斯陆大学);Alan Turing Institute(艾伦·图灵研究所);University of Oxford(牛津大学)
探索一种化合物对一个物种的影响需要相当大的实验努力。估计和提出新效应的适当方法可以大大减少实验室需要做的工作。在本文中,我们探讨了使用知识图谱嵌入方法的生态毒理学效应预测的适用性。一个知识图谱已经从公开的数据集,包括物种分类和化学分类和相似性构建。使用本体对齐技术将公开可用的效果数据集成到知识图谱。我们的实验结果表明,基于知识图谱的方法提高了选定的基线。
2019-11-11 cs.AI cs.IR cs.LG
Evaluating the Calibration of Knowledge Graph Embeddings for Trustworthy Link Prediction
University of Michigan(密歇根大学);Bloomberg(彭博(公司))
关于知识图谱嵌入(KGE)模型预测的可信度知之甚少。在本文中,我们朝着这个方向采取初步措施,通过调查KGE模型的校准,或在何种程度上,他们输出的信心分数,反映了预期的正确性预测知识图谱三元组。我们首先进行评估下的标准封闭世界假设(CWA),其中预测的三元组还没有在知识图谱被认为是假的,并表明现有的校准技术是有效的KGE在这个共同的,但狭窄的假设。接下来,我们介绍更现实但具有挑战性的开放世界假设(OWA),其中未观察到的预测在获得地面真实标签之前不被认为是真的或假的。在这里,我们表明,现有的校准技术是有效的OWA下比CWA,并提供这种差异的解释。最后,为了从从业者的角度激励KGE校准的实用性,我们进行了一个独特的人类-AI协作案例研究,表明校准的预测可以提高人类在知识图谱完成任务中的表现。
2020-10-06 cs.AI cs.CL cs.LG
Geospatial Knowledge Graphs
University of Bristol(布里斯托大学)
该研究介绍了地理空间知识图谱的核心概念、标准工具及在地理与环境科学中的应用,指出其可连接符号与亚符号GeoAI以解决跨学科地理空间问题,并展望了相关新研究方向。
2024-05-13 cs.AI
Spatio-Temporal Road Traffic Prediction using Real-time Regional Knowledge
Korea Advanced Institute of Science and Technology(韩国科学技术院);Indiana University Bloomington(印第安纳大学伯明顿分校)
针对中期道路交通预测,本文提出一种新方法,利用POI、卫星图像和实时LTE轨迹通过区域时空模块嵌入实时区域知识,经二分空间转换注意力转为道路级知识,输入预测模型,实验证明优于基线。
2024-08-23 cs.AI
Refining neural network predictions using background knowledge
Fondazione Bruno Kessler(布鲁诺·凯斯勒基金会);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学)
最近的工作表明,逻辑背景知识可以用于学习系统,以弥补缺乏标记的训练数据。许多方法通过创建编码该知识的损失函数来工作。然而,通常逻辑在训练后被丢弃,即使它在测试时仍然有用。相反,我们通过使用额外的计算步骤来细化预测,以确保神经网络预测满足知识。我们引入可微细化函数,找到一个接近原始预测的校正预测。我们研究如何有效地和高效地计算这些细化功能。使用一种名为迭代局部细化(ILR)的新算法,我们结合细化函数来找到任何复杂度的逻辑公式的精确预测。ILR在复杂的SAT公式上发现了明显更少的迭代,并且经常找到梯度下降不能找到的解决方案。最后,ILR在MNIST加法任务中产生了有竞争力的结果。
2022-09-02 cs.AI cs.LG cs.LO
Prediction, Selection, and Generation: Exploration of Knowledge-Driven Conversation System
Sichuan University(四川大学)
在开放域会话系统中,利用背景知识是重要但具有挑战性的。我们可以利用知识的融入使对话的生成可控,可以生成更多样化的包含真实知识的句子。本文将知识库和预训练模型相结合,提出了一个知识驱动的会话系统。该系统包括对话主题预测、知识匹配和对话生成等模块。在此基础上,研究了可能影响知识驱动对话生成的性能因素:主题粗召回算法、知识选择个数、生成模式选择等,这些实验结果将为今后本课题的研究提供一定的指导意义。据我们所知,这是第一个研究和分析相关因素的影响的工作。
2021-05-05 cs.AI
HyperCausalLP: Causal Link Prediction using Hyper-Relational Knowledge Graph
Artificial Intelligence Institute, University of South Carolina(南卡罗来纳大学人工智能研究所);Bosch Center for Artificial Intelligence(博世人工智能中心)
本文提出HyperCausalLP方法,将带中介变量的因果链接预测建模为超关系知识图谱补全,并在CLEVRER-Humans上验证其有效性。
2024-09-12 cs.AI
Knowledge Graph Completion for Action Prediction on Situational Graphs -- A Case Study on Household Tasks
University of Stavanger, Information Access(斯塔万格大学信息访问与人工智能研究所);Honday Research Institute Europe, Germany(霍恩戴欧洲研究 institute);University of Mannheim, Data(曼海姆大学数据与网络科学研究所)
本文以家务任务为案例,研究情境知识图谱上的动作预测问题,指出其特殊特征使许多标准链接预测算法失效,甚至不如简单基线。
2025-08-19 cs.AI
Graph-based Exercise- and Knowledge-Aware Learning Network for Student Performance Prediction
Hefei University of Technology(合肥工业大学)
预测学生的学习成绩是智能教学系统中的一项基本任务,通过预测可以了解学生的知识水平,并为学生提供个性化的教学策略。研究人员在这方面做了大量的工作。它们或者利用教育心理学的方法,根据学生所学知识的熟练程度来预测学生的成绩,或者充分利用协同过滤(CF)模型来表征学生和练习的潜在因素。然而,这些方法中的大多数要么忽略了锻炼特定的特征(例如,练习材料),或者不能充分探索学生、练习以及知识概念之间的高阶互动。为此,我们提出了一个基于图的练习和知识感知学习网络,用于准确的学生成绩预测。具体而言,我们分别了解学生对练习和知识概念的掌握程度,以模拟练习和知识概念的双重效应。然后,为了模拟高阶相互作用,我们在预测过程中应用图卷积技术。在两个真实世界数据集上的实验证明了我们提出的Graph-EKLN的有效性。
2021-06-01 cs.AI
Relations Prediction for Knowledge Graph Completion using Large Language Models
University of Georgia(佐治亚大学)
本文提出仅利用知识图谱节点名称微调大型语言模型进行关系预测,使模型能在归纳式设置下运行,并在广泛使用的知识图谱基准上取得新的分数。
2024-05-04 cs.AI cs.CL
A Continual Relation Extraction Approach for Knowledge Graph Completeness
Free University of Berlin(柏林自由大学)
本文提出一种面向知识图谱完整性的持续关系抽取方法,通过信息抽取流水线将非结构化数据转换为知识图谱,识别现实数据流中实体间关系,并在德奥报纸冠状病毒新闻数据上进行验证。
2024-04-20 cs.AI cs.DL
Knowledge-aware Method for Confusing Charge Prediction
Southeast University(东南大学);Indiana University Bloomington(印第安纳大学伯明顿分校)
自动指控预测任务是根据刑事案件的事实描述确定最终指控罪名的任务,是法律援助系统的重要应用。传统著作往往依赖事实描述来预测罪名,而忽略了法律图式知识,导致混淆性罪名难以区分。本文提出了一种知识关注的神经网络模型,该模型引入了关于罪名的法律图式知识,并利用知识的层次表示作为区分易混淆罪名的判别特征。我们的模型将文本事实描述作为输入,并通过图卷积网络学习事实表示。一个法律原理图知识Transformer被用来在模式和收费两个层次上生成面向法律原理图知识的关键知识表示。我们应用知识匹配网络,有效地将收费信息的事实,学习知识感知的事实表示。最后,我们使用知识感知的事实表示进行电荷预测。我们创建了两个真实世界的数据集,实验结果表明,我们提出的模型可以在准确性和F1得分上优于其他最先进的基线,特别是在处理混淆收费方面。
2020-10-07 cs.AI cs.CL