Text-Augmented Open Knowledge Graph Completion viaPre-Trained Language Models-Toy模板网

这篇具有很好参考价值的文章主要介绍了Text-Augmented Open Knowledge Graph Completion viaPre-Trained Language Models。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

Text-Augmented Open Knowledge Graph Completion viaPre-Trained Language Models,知识图谱的文本动态补全,知识图谱,语言模型,人工智能

摘要

开放知识图谱(KG)完成的任务是从已知的事实中得出新的发现。增加KG完成度的现有工作需要(1)事实三元组来扩大图推理空间，或(2)手动设计提示从预训练的语言模型(PLM)中提取知识，表现出有限的性能，需要专家付出昂贵的努力。为此，我们提出了TAGREAL，它自动生成高质量的查询提示，并从大型文本语料库中检索支持信息，从PLM中探测知识以补全KG。结果表明，TAGREAL在两个基准数据集上达到了最先进的性能。我们发现TAGREAL即使在有限的训练数据下也具有出色的性能，优于现有的基于嵌入、基于图和基于plm的方法。

1.介绍

知识图(KG)是一种异构图，它以实体-关系-实体三元组的形式编码事实信息，其中关系连接头部实体和尾部实体(例如，“Miamilocated_in-USA”)(Wang等人，2017;Hogan et al, 2021)。KG (Dai等人，2020)在许多NLP应用中起着核心作用，包括问答(Hao等人，2017;Yasunaga等人，2021)、推荐系统(Zhou等人，2020)和药物发现(Zitnik等人，2018)。然而，现有的作品(Wang et al, 2018;Hamilton等人，2018)表明，大多数大规模的kg是不完整的，不能完全覆盖大量的现实世界知识。这一挑战激发了KG补全，其目的是在给定主题实体和关系的情况下找到一个或多个对象实体(Lin et al, 2015)。例如，在图1中ÿ文章来源地址https://www.toymoban.com/news/detail-534757.html

到了这里，关于Text-Augmented Open Knowledge Graph Completion viaPre-Trained Language Models的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！