Multi-Aspect Explainable Inductive Relation Prediction by Sentence Transformer

这篇具有很好参考价值的文章主要介绍了Multi-Aspect Explainable Inductive Relation Prediction by Sentence Transformer。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。

摘要

最近关于知识图(KGs)的研究表明,通过预先训练的语言模型授权的基于路径的方法在提供归纳和可解释的关系预测方面表现良好。本文引入关系路径覆盖率和关系路径置信度的概念,在模型训练前过滤掉不可靠的路径,以提高模型的性能。此外,我们提出了知识推理句子转换器(Knowledge Reasoning Sentence Transformer, KRST)来预测KGs中的归纳关系,KRST将提取的可靠路径编码在KGs中,使我们能够适当地聚类路径并提供多方面的解释。我们在三个真实世界的数据集上进行了广泛的实验。实验结果表明,与SOTA模型相比,KRST在大多数传导和感应测试用例(6个中的4个)和12个少射测试用例中的11个中都达到了最佳性能。

1.介绍

知识图(knowledge graph, KG)作为问答和推荐系统提供侧信息的重要工具(Ji et al 2021)得到了广泛的研究。KG通常用三元组G = {(hi, ri, ti)|i = 1,2,3,…, m},Multi-Aspect Explainable Inductive Relation Prediction by Sentence Transformer,知识图谱的文本动态补全,transformer,深度学习,人工智能其中包含实体hi, ti∈EG和关系ri∈RG。由于知识图谱在实际应用中的不完全性,需要利用知识图谱补全技术来提高知识图谱的质量,其中关系预测是知识图谱补全的重要任务之一。给定目标三元组(h, r, t),通常通过屏蔽给定三元组中的实体h或t,并让模型基于另一个实体和关系类型预测被屏蔽的实体来设置关系预测查询。

基于嵌入的方法可能是最常用的SOTA模型。使用一组固定的实体和关系,基于嵌入的方法在KGC文章来源地址https://www.toymoban.com/news/detail-548696.html

到了这里,关于Multi-Aspect Explainable Inductive Relation Prediction by Sentence Transformer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!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • ML Design Pattern——Explainable Predictions

    Explainable Predictions Explainable Predictions refer to the practice of designing ML models in a way that enables humans to understand and interpret the rationale behind their predictions. This is particularly important in domains where the decisions made by ML models have real-world consequences, such as loan approvals, medical diagnoses, and autonomous dr

    2024年01月23日
    浏览(48)
  • 论文阅读《ICDE2023:Relational Message Passing for Fully Inductive Knowledge Graph Completion》

    论文链接 工作简介 在知识图谱补全 (KGC) 中,预测涉及新兴实体和 / 或关系的三元组, 这是在学习 KG 嵌入时看不到的,已成为一个关键挑战。 带有消息传递的子图推理是一个很有前途和流行的解决方案。 最近的一些方法已经取得了很好的性能,但它们 (1) 通常只能预测单独

    2024年02月07日
    浏览(38)
  • Explainable AI (XAI) 帮助机器学习模型理解外部世界,并找出影响预测结果的最重要因素

    作者:禅与计算机程序设计艺术 Explainable Artificial Intelligence (XAI)是一种通过可解释的方式来帮助机器学习系统理解自身运作方式,进而更好地被人类所理解的领域。其发展历史可以追溯到1987年IBM Watson团队发表的一篇文章《The Vision of AI: A Cognitive View of the Future》中提出的概

    2024年02月06日
    浏览(39)
  • SpringBoot简单使用切面类(@aspect注解)

    简介 Spring Boot中的AOP(Aspect Oriented Programming, 面向切面编程)可以让我们实现一些与业务逻辑无关的功能,如日志、事务、安全等。 特点 把这些跨切面关注点抽取出来,实现解耦。 使用切面承载这些功能的实现,而不污染业务逻辑。 在定义好的切入点Join Point,执行这些功能,比如方

    2024年02月10日
    浏览(40)
  • 【Unity】Entities 1.0 学习(一):Aspect

            Unity在 2022年下半年(我印象是9月份左右)推出了 Entities 1.0 ,可以在 2022.2.0b8 以上的版本使用。当时我粗略地看了一下,但是没有深入学习。最近空闲时间稍多,就认真来学习一下 Entities 1.0有啥新的东西。         1.0 毕竟是大更新,改变的东西还是很多,所以应该

    2023年04月08日
    浏览(34)
  • CSS 纵横比属性:aspect-ratio

    CSS 属性  aspect-ratio  为盒子规定了 纵横比(宽高比) ,这个纵横比可以用于计算 auto 尺寸以及其他布局函数。

    2024年02月09日
    浏览(34)
  • springboot~aop方法拦截Aspect和InvocationHandler的理解

    在 Spring 中, @Autowired 注解的使用在不同的上下文中会产生不同的效果,这取决于所在的组件或类是否由 Spring 管理。 @Aspect 注解的使用 : @Aspect 注解通常用于声明切面,而切面是 Spring 管理的组件。因此, @Autowired 注解可以直接用于切面类,以注入其他 Spring 托管的 bean。S

    2024年02月10日
    浏览(33)
  • 切面 基于Aspect注解自动切面, 省下注解判断逻辑 handler

    父文章 spring aop 切面配置_aop 切面设置.**_个人渣记录仅为自己搜索用的博客-CSDN博客 【Spring AOP】@Aspect结合案例详解(一): @Pointcut使用@annotation + 五种通知Advice注解(已附源码)_@pointcut @annotation_天罡gg的博客-CSDN博客 @Pointcut(value = \\\"@annotation(com.tiangang.aop.MethodLog)\\\") public void

    2024年02月15日
    浏览(30)
  • CSS :mix-blend-mode、aspect-ratio

    元素的内容应该与元素的直系父元素的内容和元素的背景如何混合。  PS: mix-blend-mode: multiply;    // 可以得到图片背景透明效果  保持长宽比

    2024年02月11日
    浏览(37)
  • 《Aspect-Sentiment-Multiple-Opinion Triplet Extraction》论文阅读

    文章地址: https://arxiv.org/abs/2110.07303v1   目前的关于ASTE三元组提取的方面级情感分析论文大多关注于简单的句式,比如一个方面实体仅有一个意见词加以修饰,但在一些情况下,由于我们通常会对事物的不同的属性做出不同的评价,因此对于某一个事物的最终情感将取决于

    2024年01月21日
    浏览(43)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包