基于知识协同微调的低资源知识图谱补全方法

知识图谱补全能让知识图谱变得更加完整.现有的知识图谱补全工作大多会假设知识图谱中的实体或关系有充足的三元组实例.然而,在通用领域,存在大量长尾三元组;在垂直领域,较难获得大量高质量的标注数据.本文针对这一问题,提出了一种基于知识协同微调的低资源知识图谱补全方法.本文通过已有的结构化知识来构造初始的知识图谱补全提示,并提出一种协同微调算法来学习最优的模板、标签和模型的参数.本文的方法同时利用了知识图谱中的显式结构化知识和语言模型中的隐式事实知识,且可以同时应用于链接预测和关系抽取两种任务.实验表明,本文的方法在3个知识图谱推理数据集和5个关系抽取数据集上都取得了目前最优的性能.     

OpenConcepts:一个开放的细粒度中文概念知识图谱

知识图谱是通过符号形式描述世界万物的实体及其之间的关联关系，是一种具备强大知识处理能力的大规模语义网络。概念知识图谱是一种特殊的知识图谱，在语义搜索、自动问答等场景具有广泛的应用价值。之前的概念图谱较难覆盖长尾实体，且存在概念粒度较粗和更新困难等问题。针对这些问题，该文提出了一种全新的自动化概念图谱构建方法，能够自动地从海量文本及半结构化数据中构建细粒度的中文概念层次结构，还发布了一个开放的细粒度中文概念知识图谱OpenConcepts,包含440万概念核心实例，5万多个细粒度概念和1 300万概念-实例三元组，并提供相应的调用接口。