更好协同：利用语言模型与邻域信息增强生成式知识图谱补全
计算与语言
2023-11-03 v1 人工智能
摘要
现实世界知识图谱（KGs）常存在不完整性，限制了其潜在性能。知识图谱补全（KGC）技术旨在解决此问题。然而，传统KGC方法计算密集，对于大规模KG不实用，需要学习稠密节点嵌入并计算成对距离。基于生成式Transformer的语言模型（如T5和近期的KGT5）提供了有前景的方案，因其可直接预测尾节点。在本研究中，我们提出将节点邻域作为附加信息，以改进基于语言模型的KGC方法。我们考察了该信息注入的效果，并表明在归纳式和直推式Wikidata子集上，我们的方法均优于KGT5和传统KGC方法。我们还对邻域对模型预测的影响进行了深入分析，展示了其重要性。此外，我们指出了通过更有效的邻域选择来显著改进KGC的方向。
引用
@article{arxiv.2311.01326,
title = {Better Together: Enhancing Generative Knowledge Graph Completion with Language Models and Neighborhood Information},
author = {Alla Chepurova and Aydar Bulatov and Yuri Kuratov and Mikhail Burtsev},
journal= {arXiv preprint arXiv:2311.01326},
year = {2023}
}
备注
Accepted to Findings of the Association for Computational Linguistics: EMNLP 2023