- 博客(28)
- 收藏
- 关注
RSS订阅原创 INCADE：面向多模态知识图谱补全的社区感知解耦专家模型
多模态知识图谱（MMKG）补全旨在通过利用结构信息和多模态数据（如图像和文本）来推断知识图谱中缺失的链接。尽管现有方法聚焦于多模态特征融合，但它们往往未能将模态特定特征与共享特征解耦，导致嵌入表示冗余且次优。此外，实体间的隐式语义相关性常常被忽视。为解决这些问题，我们提出了INCADE，这是一个隐式实体社区感知解耦专家框架，它联合捕获实体间隐式的高阶相关性，并解耦模态特定与共享表示。INCADE引入了一个实体社区感知编码器来建模隐式的实体交互，并通过辅助任务（例如，模态记忆与模态遗忘）来强制实现解耦。
2025-12-09 16:59:01
606
原创 Simple is Effective: The Roles of Graphs and Large Language Models in Knowledge-Graph-Based Retrieva
大型语言模型展现出强大的推理能力，但也面临幻觉和知识过时等局限。基于知识图谱的检索增强生成通过将LLM输出建立在来自KG的结构化外部知识之上，解决了这些问题。然而，当前的基于KG的RAG框架在识别合适数量的相关图谱信息供LLM消化方面，仍然难以在检索效果和效率之间取得平衡。我们提出了SubgraphRAG，它扩展了基于KG的RAG框架，通过检索子图并利用LLM进行推理和答案预测。我们的方法创新性地集成了一个轻量级多层感知机与并行三元组评分机制。
2025-12-01 11:38:46
914
原创 GNN-RAG: Graph Neural Retrieval for Efficient Large Language ModelReasoning on Knowledge Graphs
知识图谱问答中的检索增强生成 通过从知识图谱中检索信息来增强大语言模型的上下文。最近的方法大多依赖成本高昂的大语言模型调用来生成可执行的关系路径或遍历知识图谱，这在复杂的知识图谱问答任务中效率低下。我们提出了Gnn-Rag框架，该框架利用轻量级图神经网络进行高效且有效的图检索。该图神经网络学习 根据节点与问题的相关性以及其相邻节点的相关性来为节点分配重要性权重。这使得该框架能够有效处理图中远处节点的上下文，从而提升检索性能。
2025-11-28 15:11:58
641
原创 查找知识图谱顶刊论文指南
(North American Chapter of the ACL) 也是NLP领域的高水平会议。是知识图谱嵌入等方向论文的优选。是展示你工作的绝佳舞台。
2025-11-25 15:28:31
751
原创 TiRGN: Time-Guided Recurrent Graph Network with Local-Global HistoricalPatterns for Temporal Knowle
时序知识图谱（TKG）在对事实随时间动态变化进行建模的各个领域中得到广泛应用。在TKG推理的外推设定中，由于未来发生的事实完全未知，洞悉历史成为预测未来事实的关键。然而，这对于现有模型而言仍是一个巨大挑战，因为它们难以充分学习历史事件的特征。从历史发展规律的角度来看，综合考虑历史事实的时序性、重复性和周期性模式，有助于预测未来事实。为此，我们提出了一种新颖的用于TKG推理的表征学习模型，即TIRGN，一种具有局部-全局历史模式的时间引导循环图网络。TIRGN使用局部循环图编码器网络来建模。
2025-11-21 12:01:50
53
原创 RE-GCN:Temporal Knowledge Graph Reasoning Based on Evolutional Representation Learning
Sigmoid 函数是一种在机器学习和深度学习中非常基础且重要的激活函数。它的核心特性是将一个任意范围的实数映射到一个固定的 (0, 1) 区间内。公式为：S(x) = 1/（1+e^(-x)）更新门为什么这么设计？它创建了一条“高速公路”，允许 H_{t-1} 的信息直接、无损地（通过加法）传递到 H_t，缓解了深层GNN带来的问题。梯度可以直接通过 H_{t-1} 这条路径回传，使得模型能够学习到长程的序列依赖。模型不是简单地堆叠信息，而是学会在每个时间步动态地决定应该记住多少过去、应该相信多少现在。
2025-11-09 12:02:21
663
原创 Re-Net:Recurrent Event Network: Autoregressive Structure Inference overTemporal Knowledge Graphs
知识图谱推理是自然语言处理中的一项关键任务。在时序知识图谱中，每个事实都关联一个时间戳，这使得该任务变得更具挑战性。大多数现有方法专注于在过去的时间戳上进行推理，无法预测未来发生的事实。本文提出了循环事件网络（RE-Net），这是一种用于预测未来交互的新型自回归架构。事实（事件）的发生被建模为一个基于历史知识图谱序列的条件概率分布。具体来说，我们的RE-Net采用一个循环事件编码器来编码过去的事实，并使用一个邻居聚合器来建模同一时间戳下事实间的联系。基于这两个模块，未来事实可以以序列化的方式被推断出来。
2025-10-27 15:56:04
871
原创 TTransE:Encoding Temporal Information for Time-Aware Link Prediction
目前大多数知识图谱嵌入方法仅从无时间标签的事实三元组中学习，而忽略了知识库中的时序信息。本文提出一种新颖的时序知识图谱嵌入方法，该方法利用了事实的发生时间。具体而言，我们使用时序约束来建模时间敏感关系之间的转换，并强制使嵌入表示在时间上保持一致且更为准确。我们在链接预测和三重分类两个任务上对本方法进行了实证评估。实验结果表明，我们的方法在这两个任务上均一致地优于其他基线模型。
2025-10-21 20:25:03
702
原创 MoSE: Modality Split and Ensemble forMultimodal Knowledge Graph Completion
多模态知识图谱补全（MKGC）旨在预测知识图谱中缺失的实体。先前研究通常在不同模态间共享关系表示，这导致训练过程中模态间相互干扰——因为对于一对实体，某模态的关系可能与另一模态的关系相矛盾。此外，基于共享关系表征进行统一预测的做法，将不同模态的输入等同对待，而它们对MKGC任务的重要性本应存在差异。本文提出MoSE框架，即面向MKGC的模态分离表征学习与集成推理框架。具体而言，在训练阶段，我们为每种模态学习独立的模态分离关系嵌入，而非共享单一模态嵌入，从而缓解模态干扰。基于这些嵌入，在推理。
2025-10-16 11:34:37
895
原创 K-ON: Stacking Knowledge On the Head Layer of Large Language Model
实体的名称（文本标签）是由一个或多个 token 组成的。。因此，要让 LLM生成或识别一个实体，本质上就是让它按正确顺序生成构成该实体名称的一系列 token。近年来，大型语言模型（LLMs）的进展显著提升了各类自然语言处理（NLP）任务的性能。传统上，LLMs通过预测下一词元（token）进行训练这与多数NLP任务高度契合。然而在知识图谱（KG）场景中，实体作为基本单元，其识别往往需要多个词元共同完成，导致KG与自然语言之间存在粒度失配问题。为此，我们提出K-ON方法，通过。
2025-10-10 11:40:03
603
原创 IKRL:Image-embodied Knowledge Representation Learning
实体图像能为知识表示学习提供重要的视觉信息。大多数传统方法仅从结构化三元组中学习知识表示，而忽略了从实体图像中提取的丰富视觉信息。本文中，我们提出了一种新颖的图像化身的知识表示学习模型（IKRL, Image-embodied Knowledge Representation Learning），该模型同时利用三元组事实和图像来学习知识表示。更具体地说，我们首先使用神经图像编码器为实体的所有图像构建表示。然后，通过这些基于注意力的方法，将这些图像表示整合成一个聚合的、基于图像的表示。
2025-09-18 16:05:13
872
原创 LLM、多模态、RAG、Fine-tuning、Agent
他的知识仅限于他“背诵”过的（训练数据），一旦问题超出他的记忆范围，或者需要最新的、非常具体的数据，他就只能瞎编或写不知道；如果说基础LLM是一个“百科全书式的大脑”，多模态为它添加了“眼睛和耳朵”，RAG为它配备了“可随时查阅的图书馆”，那么。遇到问题时，他会先跑去查找最相关、最权威的参考书和资料，然后结合自己的理解和语言能力，组织出一个准确、有据可循的答案。无论是ChatGPT的“用必应搜索浏览”功能，还是许多企业的智能客服和知识问答系统，其背后核心都有RAG的身影。能力相结合的技术框架。
2025-09-18 11:58:04
700
原创 知识图谱、transE、transR学习笔记
知识图谱（Knowledge Graph）是一种用结构化形式来描述现实世界中事物及其相互关系的技术。它本质上是一个巨大的“语义网络”，由“节点”和“边”组成。
2025-09-07 11:34:12
753
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人