Joint Open Knowledge Base Canonicalization and Linking
Nankai University（南开大学）；Tsinghua University（清华大学）
开放式信息抽取（OIE）方法从文本中抽取出大量的OIE三元组（名词短语、关系短语、名词短语），组成大型的开放式知识库（OKB）。然而，OKB中的名词短语和关系短语并不规范，经常出现在不同的释义文本变体中，这导致了冗余和歧义的事实。为了解决这个问题，有两个相关的任务：OKB规范化（即，将NP和RP转化为规范化形式）和OKB连接（即，将NP和RP与它们在策划的知识库中的对应实体和关系链接起来（例如，DBPedia）。这两个任务是紧密耦合的，一个任务可以从另一个任务中受益匪浅。然而，迄今为止，它们一直被孤立地研究。本文首次探讨了OKB规范化和链接的联合任务，并提出了一个基于因子图模型的新框架JOCL，使两者相互加强。JOCL足够灵活，可以结合来自两个任务的不同信号，并能够扩展以适应任何新的信号。通过对两个大规模OIE三重数据集的实验研究表明，我们的框架在平均F1（准确性）方面优于所有用于OKB规范化（OKB链接）任务的基线方法。
2022-12-02 cs.AI cs.CL
Multi-View Clustering for Open Knowledge Base Canonicalization
Nankai University（南开大学）
开放式信息抽取（OIE）方法从非结构化文本中抽取出大量的OIE三元组（名词短语、关系短语、名词短语），组成大型开放式知识库（OKB）。名词短语和关系短语在此类OKB中没有规范化，导致事实分散和冗余。据发现，两种知识观（即，基于事实三元组的事实视图和基于事实三元组的源上下文的上下文视图）提供了对于OKB规范化任务至关重要的补充信息，OKB规范化将同义名词短语和关系短语聚类到同一组中并为它们分配唯一标识符。然而，到目前为止，这两种知识观被现有的作品孤立地利用。在本文中，我们提出了CMVC，一种新的无监督框架，利用这两个知识的观点共同规范化OKB，而不需要手动注释的标签。为了实现这一目标，我们提出了一种多视图CH K-Means聚类算法，通过考虑它们不同的聚类质量来相互加强从每个视图中学习到的视图特定嵌入的聚类。为了进一步提高规范化性能，我们提出了一个训练数据优化策略，分别在每个特定的视图中的数据量和数据质量，以改进学习的视图特定的嵌入在迭代的方式。此外，我们提出了一个Log-Jump算法，以数据驱动的方式预测最佳聚类数，而不需要任何标签。我们证明了我们的框架的优越性，通过对多个现实世界的OKB数据集对国家的最先进的方法进行广泛的实验。
2022-06-22 cs.AI cs.CL
An Agentic Hybrid Top-Down and Bottom-Up Approach to Knowledge Graph Generation
Malt
针对HR平台的多语言非标准化技能声明问题，提出结合LLM与Wikidata KG的智能体式混合KG生成流水线，可生成可扩展可解释的技能KG。
2026-08-10 cs.AI cs.CL
Better Later Than Sooner: Neuro-Symbolic Knowledge Graph Construction via Ontology-grounded Post-extraction Correction
University of Edinburgh, UK（爱丁堡大学）；Samsung AI Center, Cambridge, UK（三星人工智能中心）
提出一种神经符号框架，通过后提取校正解决LLM提取知识图谱时的本体不一致问题，减少token使用并提升图谱一致性。
2026-09-09 cs.AI cs.LG
AutoPKG: An Automated Framework for Dynamic E-commerce Product-Attribute Knowledge Graph Construction
Lazada, Alibaba International Digital Commerce Group（Lazada，阿里巴巴国际数字 commerce 集团）；Nanyang Technological University, Singapore（南洋理工大学，新加坡）
本文提出AutoPKG框架，通过多智能体大语言模型自动构建产品-属性知识图谱，解决电子商务产品属性提取中本体不一致、不完整和维护成本高的问题，实验证明其在提升GMV和推荐效果上的显著优势。
2026-04-18 cs.AI
RELOOP: Recursive Retrieval with Multi-Hop Reasoner and Planners for Heterogeneous QA
University of New South Wales（新南威尔士大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Mohamed Bin Zayed University of Artificial Intelligence（莫扎伊德大学人工智能学院）；Technology Innovation Institute（技术创新研究所）
RELOOP通过递归检索和结构感知迭代，提升多步问题和异构证据源的问答准确性，实现高效率的证据收集与答案生成。
2026-04-23 cs.AI cs.CL
Canonicalizing Open Knowledge Bases with Multi-Layered Meta-Graph Neural Network
Harbin Institute of Technology（哈尔滨工业大学）；University of Notre Dame（圣母大学）
开放知识库中的名词短语和关系短语往往不规范，导致冗余和模糊的事实。在这项工作中，我们综合结构信息（从哪个元组，哪个句子）和语义信息（语义相似度）来做规范化。我们将两种类型的信息表示为多层图：结构信息形成跨句子、关系短语和名词短语层的链接;语义信息形成每层的加权层内链接。我们提出了一个图神经网络模型，通过多层元图结构聚合名词短语和关系短语的表示。实验表明，我们的模型优于现有的方法在一个公共数据集在一般领域。
2020-06-17 cs.AI cs.CL
HyperKG: Hyperbolic Knowledge Graph Embeddings for Knowledge Base Completion
École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院（EPFL））
学习知识库中存在的实体和关系的嵌入允许发现数据中隐藏的模式。在这项工作中，我们研究的几何空间的知识库完成的任务的贡献。我们专注于家庭的平移模型，其性能一直滞后，并提出了一个模型，称为HyperKG，它利用双曲空间，以更好地反映知识库的拓扑特性。我们调查的类型，我们的模型可以捕获，我们表明，它是一个突出的候选人有效地代表一个子集的数据库规则。我们经验表明，使用各种链接预测数据集，双曲空间允许显着缩小平移和双线性模型之间的性能差距。
2019-08-17 cs.AI cs.CL
Knowledge-based Biomedical Data Science 2019
University of Colorado Denver Anschutz Medical Campus（科罗拉多大学丹佛安舒茨医学校区）；University of Colorado Boulder（科罗拉多大学博尔德分校）
基于知识的生物医学数据科学（KBDS）涉及计算机系统的设计和实现，这些系统的行为就像它们了解生物医学一样。这样的系统依赖于计算机系统中通常以知识图谱形式表示的知识。在这里，我们调查的进展，在过去的一年中，系统使用正式表示的知识，以解决数据科学问题，在临床和生物学领域，以及在创建知识图谱的方法。主要主题包括知识图谱和机器学习之间的关系，自然语言处理的使用，以及将基于知识的方法扩展到新领域，如中国传统医学和生物多样性。
2019-10-08 cs.AI cs.CL
Constructing Disambiguated Knowledge Bases from Large Language Models at Scale
针对从大语言模型构建知识库存在的重复与混淆问题，提出GPTKB 2.0方法，实现百万级消歧实体与三元组的知识库构建，为LLM原生知识库研究提供新方案。
2026-10-01 cs.AI cs.CL cs.DB
Query-Driven Knowledge Base Completion using Multimodal Path Fusion over Multimodal Knowledge Graph
University of Florida（佛罗里达大学）
提出一种查询驱动的知识库补全系统，通过构建多模态知识图谱并采用多模态路径融合算法，有效融合非结构化与结构化信息，显著提升补全性能与效率。
2023-05-10 cs.AI cs.DB cs.LG
Knowledge-based Refinement of Scientific Publication Knowledge Graphs
University of Texas at Dallas（德克萨斯大学达拉斯分校）；Georgia Tech Research Institute（佐治亚理工研究院）；Georgia Institute of Technology（佐治亚理工学院）
将作者身份识别建模为知识图谱构建与精炼问题，通过函数梯度提升学习关系回归树并注入一阶子句形式的人类知识进行精炼，在七个领域验证了方法的有效性。
2023-09-10 cs.AI cs.DL cs.LG
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
A Critical Examination of RESCAL for Completion of Knowledge Bases with Transitive Relations
Johns Hopkins University（约翰斯·霍普金斯大学）
大型知识图中的链接预测最近受到了很多关注，因为它对于推断缺失的关系以及完善和改进噪声提取的知识图非常重要。多年来，许多机器学习研究人员已经提出了各种模型来预测知识库中缺失关系的存在。虽然所有以前的方法都给出了在选择数据集上表现出高性能的经验结果，但几乎没有以前的工作来理解知识库的属性与模型性能之间的联系。本文分析了RESCAL方法，证明了它不能对知识库中的非对称传递关系进行编码。
2016-05-16 cs.AI cs.DB cs.LG
Toward a Category Theory Design of Ontological Knowledge Bases
National Aviation University（国立航空大学）
我讨论（本体论和本体论知识库/形式方法和理论）的对偶性及其范畴论扩展，作为解决基于知识的系统理论的一个步骤。特别是我专注于本体和本体论知识库的元素的设计的例子，未来三个电子课程：研究活动的基础，复杂系统的虚拟建模和弦理论导论。
2009-06-09 cs.AI
Automatic Knowledge Base Evolution by Learning Instances
Korea Advanced Institute of Science and Technology（韩国科学技术院）
知识库是在整个网络中存储结构化和非结构化数据的方式。由于网络的规模正在迅速增加，因此以完全自动化的方式构建知识的需求非常巨大。然而，语义Web上的全自动知识库进化是一个重大的挑战，虽然有许多本体进化技术可用。因此，本体的自动学习对语义网的发展有着重要的意义。在本文中，我们提出全自动本体学习算法，以产生不完整的知识库和rdf-三元组的精知识库。我们的算法是数据驱动的方法，它是基于每个实例的属性。本体类是通过概括其实例的频繁属性来细化的。通过使用开发的类信息，每个实例都可以找到它最匹配的类。通过重复这两个步骤，我们实现了从不完整的基础知识库的本体进化的全自动化。
2016-04-04 cs.AI
Maintenance in Probabilistic Knowledge-Based Systems
Air Force Institute of Technology（空军理工学院）
最近的发展使用有向非循环图（即，影响图和贝叶斯网络）来表示知识表示，减少了在基于知识的系统（KBS）中使用概率的问题。目前大多数研究涉及新证据的有效传播，但很少有人做关于维护特定领域的知识，其中包括概率信息的问题域。然而，通过利用图中表示的条件独立性，当知识库更新时，仅需要对某些变量进行概率评估。本研究的目的是调查，对于这些变量，需要概率评估，如何减少所需的新知识量的专家在概率知识为基础的系统中更新概率信息时。三种特殊情况下（忽略的结果，分裂的结果，并假设约束结果）被确定为许多原始的概率（那些已经在知识库）不需要重新评估时，需要维护。
2013-03-27 cs.AI
OAK: Ontology-Based Knowledge Map Model for Digital Agriculture
University College Dublin（都柏林大学学院）
如今，数字农业已经积累了大量的知识。这些知识和专有技术信息是从各种来源收集的，因此问题是如何组织这些知识以便有效地利用它。虽然这种知识的农业实践可以表示使用本体论，基于规则的专家系统，或知识模型建立从数据采掘过程中，可扩展性仍然是一个悬而未决的问题。在这项研究中，我们提出了一个知识表示模型，称为基于本体的知识地图，它可以从不同的来源收集知识，存储它，并利用直接由利益相关者或作为输入的知识发现过程（数据采掘）。该模型包括两个阶段：1）构建本体作为特定领域和数据采掘概念的知识库; 2）构建基于本体的知识地图模型，用于表示和存储在作物数据集上挖掘的知识。该模型的框架已经在农业领域得到了实现。该模型具有高效性和可扩展性，可作为数字农业的知识库。
2020-11-20 cs.AI cs.DB
Merging Locally Correct Knowledge Bases: A Preliminary Report
信念整合方法通常旨在导出一个单一的和一致的知识库，该知识库保留尽可能多的要整合的知识库。这种方法背后的基本原理是最小变化原则：集成过程的结果与要集成的知识库之间的差异应该尽可能小。我们表明，这一原则可以重新制定的一个更一般的模型的信念修订，假设不一致是由于错误的知识基础。目前的信念修正策略是基于一种特定的错误，但并不包括所有可能的错误。一些替代的可能性进行了讨论。
2002-12-28 cs.AI cs.LO
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
A Fixpoint Characterization of Three-Valued Disjunctive Hybrid MKNF Knowledge Bases
University of Alberta（阿尔伯塔大学）
混合MKNF（最小知识和否定作为失败）的逻辑是一种强大的知识表示语言，它优雅地将ASP（答案集编程）与本体配对。析取规则是对常规基于规则的推理的一种理想的扩展，并且通常为常规知识库设计的语义框架需要大量的重构来支持析取规则。或者，可以通过引入一组正常知识库来提升正常规则的特征以支持析取规则，每个正常知识库具有相同的主体和头部中的单个原子。在这项工作中，我们指的是一组这样的正常的知识库作为一个头切的析取知识库。出现的问题是，是否可以使用不动点结构与头部切割的特征析取混合MKNF知识库的语义。前面，我们已经证明了头切可以与不动点算子配对，以捕获析取混合MKNF知识库的二值MKNF模型。三值语义学扩展了二值语义学，使其具有表达部分信息的能力。在这项工作中，我们提出了一个不动点的建设，利用头削减使用的操作，迭代捕获三值模型的混合MKNF知识库与析取规则。这种表征也捕获了部分稳定模型的析取逻辑程序，因为一个程序可以表示为一个析取混合MKNF知识库与空本体。我们详细说明了这种表征和近似AFT（近似不动点理论）正常的混合MKNF知识库之间的关系。
2022-08-05 cs.AI cs.LO
Knowledge-Based Distant Regularization in Learning Probabilistic Models
RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）；Security Research Laboratories, NEC Corporation（日本电气股份有限公司安全研究所）；University of Tokyo（东京大学）
利用基于数据知识的适当归纳偏差对于在统计机器学习中实现良好性能至关重要。然而，在实践中，感兴趣的领域知识往往提供的数据属性之间的关系的信息，这阻碍了直接利用这些领域知识在流行的正则化方法。在本文中，我们提出了基于知识的距离正则化框架，其中我们利用编码在知识图谱的概率模型估计的正则化的距离信息。特别是，我们建议施加先验分布的知识图谱嵌入指定的模型参数。作为该框架的一个实例，我们提出了基于知识的距离正则化的因子分析模型。我们展示了这种模型的泛化能力的改进的初步实验的结果。
2018-06-29 cs.LG stat.ML
Doing Natural Language Processing in A Natural Way: An NLP toolkit based on object-oriented knowledge base and multi-level grammar base
China Mobile Research Institute（中国移动研究院）
介绍了一个基于面向对象知识库和多级语法库的自然语言处理工具包。该工具包以语义解析为核心，具有自动发现新知识和语法的能力，新发现的知识和语法将由人工识别，并用于更新知识库和语法库。这个过程可以重复多次，以不断改进工具包。
2021-06-08 cs.AI cs.CL cs.LG
An Interpretable Knowledge Transfer Model for Knowledge Base Completion
Carnegie Mellon University（卡内基梅隆大学）
知识库是各种自然语言处理任务的重要资源，但存在不完整性。我们提出了一种新的嵌入模型，\emph{ITransF}，执行知识库完成。ITransF通过稀疏注意力机制发现隐藏的关系概念，并通过概念的共享传递统计强度。此外，学习的关系和概念之间的关联，这是由稀疏的注意向量表示，可以很容易地解释。我们在两个基准数据集上评估了ITransF--WN 18和FB 15 k的知识库完成情况，并在所有不使用额外信息的基线上获得了平均排名和Hits@10指标的改进。
2017-05-03 cs.AI cs.CL cs.LG
Uncertainty-based Visual Question Answering: Estimating Semantic Inconsistency between Image and Knowledge Base
OKESTRO Co., Ltd（OKESTRO有限公司）；Dongguk University（东国大学）
基于知识的视觉问答（KVQA）任务旨在回答需要额外的外部知识以及对图像和问题的理解的问题。最近关于KVQA的研究以多模态形式注入外部知识，并且随着使用更多的知识，可能会添加不相关的信息，并且可能混淆问答。为了更好地利用这些知识，本研究提出了以下几点：1）引入了一种新的语义不一致性度量，该度量是由字幕不确定性和语义相似度计算得到的; 2）提出了一种新的基于语义不一致性度量的外部知识同化方法，并将其应用于KVQA的显性知识和隐性知识的整合; 3）在OK-VQA数据集上对所提出的方法进行了测试，取得了较好的性能。
2022-07-27 cs.AI cs.CL cs.CV
A Two-Stage Approach towards Generalization in Knowledge Base Question Answering
IBM Research（IBM研究院）；UMass Amherst（马萨诸塞大学阿默斯特分校）
大多数现有的知识库问答（KBQA）的方法集中在一个特定的基础知识库，无论是因为固有的假设的方法，或因为评估它在一个不同的知识库需要不平凡的变化。然而，许多流行的知识库在其底层模式中具有相似性，可以利用这些相似性来促进跨知识库的泛化。为了实现这一概括，我们引入了一个KBQA框架的基础上，明确分离语义解析的知识库交互，促进跨数据集和知识图谱的迁移学习的2阶段架构。我们表明，在具有不同基础知识库的数据集上进行预训练仍然可以提供显着的性能增益并降低样本复杂性。我们的方法实现了LC-QuAD（DBpedia），WebQSP（Freebase），SimpleQuestions（Wikidata）和MetaQA（Wikimovies-KG）的可比或最先进的性能。
2021-11-17 cs.AI cs.CL
Towards a Universal Continuous Knowledge Base
Tsinghua University（清华大学）；Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心）；Beijing Academy of Artificial Intelligence（北京人工智能研究院）
在人工智能（AI）中，知识是智能系统完成任务所需的信息。虽然传统的知识库使用离散的，符号表示，检测知识编码的连续表示从数据中学习最近受到越来越多的关注。在这项工作中，我们提出了一种方法，用于建立一个连续的知识库（CKB），可以存储从多个，不同的神经网络导入的知识。该方法的核心思想是为每个神经网络定义一个接口，并将知识传递问题转化为函数模拟问题。文本分类实验表明，CKB从一个单一的模型中导入知识，然后将知识导出到一个新的模型，实现了与原始模型相当的性能。更有趣的是，我们将多个模型中的知识导入到知识库中，融合后的知识从知识库中导出回单个模型，从而实现了比原始模型更高的准确性。有了CKB，也很容易实现知识蒸馏和迁移学习。我们的工作为构建一个通用的连续知识库打开了大门，以收集、存储和组织编码在各种神经网络中的所有连续知识，这些神经网络是为不同的人工智能任务训练的。
2021-04-17 cs.AI cs.CL
Knowledge-tuning Large Language Models with Structured Medical Knowledge Bases for Reliable Response Generation in Chinese
Harbin Institute of Technology（哈尔滨工业大学）
针对大语言模型在医疗场景易生成事实幻觉的问题，提出基于结构化医学知识库的知识调优方法，发布中文医学知识问答数据集cMedKnowQA，实验证明该方法比普通指令调优准确率更高，为大模型领域适配提供新途径。
2023-09-08 cs.AI cs.CL
Knowledge Base Completion using Web-Based Question Answering and Multimodal Fusion
University of Florida（佛罗里达大学）
提出一种融合网络非结构化信息与知识库结构化信息的多模态问答系统，通过问题模板高效提取缺失事实，实现知识库补全。
2023-05-07 cs.AI cs.DB cs.LG
On Evaluating Embedding Models for Knowledge Base Completion
University of Mannheim（曼海姆大学）；Mannheim（曼海姆）
知识库有助于许多网络搜索和挖掘任务，但它们往往是不完整的。为了将缺失的事实添加到给定的知识库中，在最近的文献中已经提出了各种嵌入模型。也许令人惊讶的是，相对简单的模型，有限的表达能力往往表现得非常好，在今天最常用的评估协议。在本文中，我们探讨了最近的模型是否能很好地完成知识库，并认为目前的评估协议更适合于问答，而不是知识库完成。我们表明，当专注于评估知识库完成的不同预测任务时，即使在以前被认为太容易的数据集上，当前嵌入模型的性能也不令人满意。当将嵌入模型与简单的基于规则的基线进行比较时，尤其如此。这项工作表明，需要更多的研究嵌入模型和评估协议的知识库完成。
2019-01-31 cs.AI cs.LG stat.ML
Question Answering over Knowledge Base with Neural Attention Combining Global Knowledge Information
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Baidu Inc.（百度公司）
随着网络上知识库的迅速增长，如何充分利用它们变得越来越重要。基于知识库的问答（KB-QA）是获取大量知识的最有前途的方法之一。同时，随着基于神经网络（NN-based）方法的发展，基于NN的KB-QA已经取得了令人瞩目的成果。然而，以前的工作并没有把重点放在问题的表示，问题被转换成一个固定的向量，而不管其候选答案。这种简单的表征策略无法表达问题的正确信息。因此，我们提出了一个基于神经注意力的模型来表示的问题，根据不同的候选答案方面的不同焦点动态。此外，我们利用底层知识库内部的全局知识，旨在将丰富的知识库信息集成到答案的表示中。同时，该模型也解决了注意力模型中的词汇不足问题，使注意力模型能够更准确地表示问题。在WEBQUESTIONS上的实验结果证明了该方法的有效性。
2016-06-03 cs.AI cs.CL cs.IR
Evident: a Development Methodology and a Knowledge Base Topology for Data Mining, Machine Learning and General Knowledge Management
Philips North America（飞利浦北美）；Google LLC（谷歌有限责任公司）
用于知识发现、预测和管理的软件已经开发了30多年。然而，在使用现有的项目开发和工件管理方法时，仍然存在未解决的痛点。从历史上看，一直缺乏适用的方法。此外，已经应用的方法，如敏捷，有几个限制，包括科学的不可证伪性，降低了它们的适用性。提出了一种基于逻辑推理哲学的开发方法学Evident和一种知识库拓扑结构EKB。从概念上缓解了数据采掘、机器学习和一般知识管理中的许多痛点。Evident可以扩展到加速哲学探索，科学发现，教育以及全球知识共享和保留。EKB提供了一种将信息存储为知识的解决方案，知识是数据之上的粒度级别。还讨论了计算机历史、软件工程、数据库、传感器、哲学以及项目与组织和军事管理方面的相关主题。
2022-11-09 cs.AI cs.DB cs.LG
Adaptation Knowledge Discovery from a Case Base
在基于案例的推理中，适应步骤通常依赖于领域相关知识，这激发了对适应知识获取（AKA）的研究。CABAMAKA是一个基于数据库知识发现原理的AKA系统。该系统探讨了变化的情况下，基础，得出适应知识。它已被成功地测试在乳腺癌治疗的基于案例的决策支持的应用程序。
2006-10-27 cs.AI
Recursive Feature Generation for Knowledge-based Learning
Technion-Israel Institute of Technology（以色列理工学院）
当人类进行归纳学习时，他们经常用背景知识来增强这个过程。随着良好的合作知识库的可用性越来越高，学习算法的性能可以显着提高，如果找到一种方法来利用这些知识库。在这项工作中，我们提出了一种新的算法，用于注入外部知识的归纳算法，使用功能生成。给定一个特征，该算法在其值集合上定义一个新的学习任务，并使用知识库来求解构造的学习任务。然后将得到的分类器用作原始问题的新特征。我们已经将我们的算法应用到使用大型语义知识库的文本分类领域。我们已经表明，生成的功能显着提高现有的学习算法的性能。
2018-01-31 cs.AI
KBLRN : End-to-End Learning of Knowledge Base Representations with Latent, Relational, and Numerical Features
NEC Labs Europe（欧洲NEC实验室）
我们提出了KBLRN，一个从潜在的，关系的，和数值特征的知识库表示的端到端学习的框架。KBLRN将特征类型与神经表示学习和专家模型的概率乘积相结合。据我们所知，KBLRN是第一种通过整合潜在的，关系的和数值特征来学习知识库表示的方法。我们表明，KBLRN的实例优于现有的方法在一系列的知识库完成任务。我们贡献了一个新的数据集，丰富了常用的知识库完成基准与数值特征。这些数据集在许可的BSD-3许可证下可用。我们还研究了数值特征对KBLRN的KB完成性能的影响。
2018-06-11 cs.AI
Machine Knowledge: Creation and Curation of Comprehensive Knowledge Bases
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；Amazon（亚马逊）；Telecom Paris University（巴黎电信大学）
为机器配备关于世界实体及其关系的全面知识一直是人工智能的长期目标。在过去的十年中，大规模的知识库，也被称为知识图谱，已经从网络内容和文本源自动构建，并已成为搜索引擎的关键资产。这种机器知识可以用来语义解释新闻、社交媒体和网络表格中的文本短语，并有助于问答、自然语言处理和数据分析。本文概述了创建和管理大型知识库的基本概念和实用方法。它涵盖了用于发现和规范化实体及其语义类型并将其组织成清晰分类的模型和方法。在此基础上，本文讨论了以实体为中心的属性的自动提取。为了支持机器知识的长期生命周期和质量保证，本文提出了构建开放模式和知识策展的方法。对学术项目和工业知识图谱的案例研究补充了概念和方法的调查。
2021-03-22 cs.AI cs.DB
RDF2Rules: Learning Rules from RDF Knowledge Bases by Mining Frequent Predicate Cycles
Beijing Normal University（北京师范大学）；Tsinghua University（清华大学）
近年来，几个大规模的RDF知识库被建立起来，并在许多基于知识的应用中得到应用。为了进一步增加RDF知识库中的事实数量，可以使用逻辑规则来预测基于现有事实的新事实。因此，如何从大规模的知识库中自动学习可靠的规则变得越来越重要。在本文中，我们提出了一种新的规则学习方法命名为RDF2Rules的RDF知识库。RDF2Rules首先从知识库中挖掘频繁谓词循环（FPC），然后从挖掘出的FPC中生成规则。由于每个FPC可以产生多个规则，并且在挖掘FPC的过程中使用了有效的剪枝策略，因此RDF2Rules的工作效率非常高。RDF2Rules的另一个优点是它在生成和评估规则时使用实体类型信息，这使得学习的规则更加准确。实验表明，我们的方法优于比较的方法在效率和准确性。
2015-12-24 cs.AI cs.DB
KnowledgeShovel: An AI-in-the-Loop Document Annotation System for Scientific Knowledge Base Construction
Shanghai Jiao Tong University（上海交通大学）；IBM Research（IBM研究院）；University of Notre Dame（圣母大学）；Chinese Academy of Sciences（中国科学院）
构建全面、准确、有用的科学知识库对于人类研究人员综合科学知识和实现人工智能驱动的科学发现至关重要。然而，目前的过程是困难的，容易出错，费力的，由于（1）大量的科学文献;（2）高度专业化的科学领域;（3）信息的不同形式（文本，图，表）;和，（4）不同出版物中的科学知识筒仓格式和结构不一致。知情的形成性研究和迭代与参与式设计研讨会，我们设计和开发的KnowledgeShovel，一个铝在环文档注释系统的研究人员构建科学的知识库。KnowledgeShovel的设计引入了一个多步骤多模式的人工智能协作管道，与用户现有的工作流程保持一致，以提高数据准确性，同时减少人类负担。通过对7位地学科研人员的用户跟踪评价表明，KnowledgeShovel能够高效地构建科学知识库，并具有令人满意的精度。
2022-10-06 cs.AI cs.DL cs.HC
