论文浅尝 | 知识图谱推理中表示学习和规则挖掘的迭代学习方法

 

文章转载自公众号

浙大KG , 作者 张文

作者:张文,浙江大学在读博士,研究方向为知识图谱的表示学习,推理和可解释。

本文是我们与苏黎世大学以及阿里巴巴合作的工作,发表于WWW2019,这篇工作将知识图谱推理的两种典型方法,即表示学习和规则进行了结合,提出了IterE,并实现了两者的优势互补。

继续阅读“论文浅尝 | 知识图谱推理中表示学习和规则挖掘的迭代学习方法”

论文浅尝 | 一种可解释的语义匹配复值模型

 

笔记整理:耿玉霞,浙江大学直博生。研究方向:知识图谱,零样本学习,自然语言处理等。

 论文链接:https://arxiv.org/pdf/1904.05298.pdf

本文是发表在 NAACL 2019 上的最佳可解释性论文。受量子力学中数学模型的启发,在语义希尔伯特空间建模语言的基本单位:语义、词、句子,其中基于 complex-value 的end-to-end 网络,以 semantic matching 的方式在QA数据集上取得了SOTA,并具备一定的可解释性。

继续阅读“论文浅尝 | 一种可解释的语义匹配复值模型”

论文浅尝 | 时序与因果关系联合推理

 

论文笔记整理:李昊轩,南京大学硕士,研究方向为知识图谱、自然语言处理。

来源:ACL2018

链接:https://www.aclweb.org/anthology/P18-1212

动机

理解事件之间的时间和因果关系是一项基本的自然语言理解任务。由于原因一定先于结果发生,因此时序关系与因果关系之间存在取值上的联系。在已有工作中较少联合关注这两种关系。本文提出了一种基于整数线性规划(ILP)模型的联合推理框架,通过约束限制了结果中时序和因果的一致性。

继续阅读“论文浅尝 | 时序与因果关系联合推理”

论文浅尝 | 基于知识库的神经网络问题生成方法

 

论文笔记整理:谭亦鸣,东南大学博士生,研究方向为跨语言知识图谱问答。

来源:NLPCC2018

链接:http://tcci.ccf.org.cn/conference/2018/papers/EV7.pdf

问题背景与动机

作者认为,目前的问题语料生成主要依赖于人工标注和整理,成本较大。而现有基于知识库的自动问题生成方法都不能较好的替代上述所需的人工标注效果。在同时考虑生成问题语料的流利度和问题的质量两个方面的问题后,采用了基于LSTM的神经网络生成方案,并提出一种新的输入序列预处理方式,从而达到获取高质量中文问题语料的效果。本方法在NLPCC2018的KBQG任务上获得了最优。

继续阅读“论文浅尝 | 基于知识库的神经网络问题生成方法”

论文浅尝 | 引入“引用”的语言模型

笔记整理:杨帆,浙江大学硕士,研究方向知识图谱.

论文链接:https://arxiv.org/pdf/1611.01628.pdf

动机

Referring expression(RE)在自然语言中十分常见,并且在信息交流中扮演了十分重要的角色,但是之前的工作并没有在语言模型中明确地引入RE,作者在这篇论文中明确对RE建模,将其纳入语言模型之中,用以提高文本生成的表现。

继续阅读“论文浅尝 | 引入“引用”的语言模型”

论文浅尝 | 最新10篇《知识图谱》论文推荐(ICML, CVPR, ACL, KDD, IJCAI 2019)

 

文章转载自公众号

专知 , 作者 专知

本文转载自公众号:专知。

【导读】知识图谱一直是研究热点,研究者近年来广泛关注知识图谱嵌入(Knowledge Graph Embedding,简称KGE)方法,在保留语义的同时,将知识图谱中的实体和关系映射到连续的、稠密的低维向量空间,从而可以通过向量来高效计算实体与关系的语义联系,利用学习得到的实体/关系的表征向量支撑下游应用。专知整理了最新ACL、CVPR、KDD、ICML等顶会关于知识图谱的10篇最新论文,欢迎查看

继续阅读“论文浅尝 | 最新10篇《知识图谱》论文推荐(ICML, CVPR, ACL, KDD, IJCAI 2019)”