模式可适应的知识图谱构建
计算与语言
2023-11-16 v4 人工智能
数据库
信息检索
机器学习
摘要
传统的知识图谱构建（KGC）方法通常遵循静态信息抽取范式，具有封闭的一组预定义模式。因此，当应用于动态场景或领域中出现新型知识时，此类方法表现不足。这需要一种能够自动处理演化模式以抽取信息用于 KGC 的系统。为满足该需求，我们提出一项称为模式可适应 KGC 的新任务，旨在基于动态变化的模式图持续抽取实体、关系和事件而无需重新训练。我们首先基于三条原则（即水平模式扩展、垂直模式扩展和混合模式扩展）拆分并转换现有数据集以构建基准；随后考察若干知名方法（如 Text2Event、TANL、UIE 和 GPT-3.5）的模式适应性能。我们进一步提出一个简单而有效的基线 \textsc{AdaKGC}，其包含模式富集前缀引导器和模式条件动态解码以更好地处理演化模式。综合实验结果表明 AdaKGC 可超越基线但仍存在改进空间。我们希望所提工作能为社区带来益处。代码与数据集见 https://github.com/zjunlp/AdaKGC。
引用
@article{arxiv.2305.08703,
title = {Schema-adaptable Knowledge Graph Construction},
author = {Hongbin Ye and Honghao Gui and Xin Xu and Xi Chen and Huajun Chen and Ningyu Zhang},
journal= {arXiv preprint arXiv:2305.08703},
year = {2023}
}
备注
EMNLP 2023 (Findings)